「视觉功能」共找到 2163 篇相关文章
国产多模态Agent拿下医学分割SOTA！不用改模型、不加token | 浙大&上海AI Lab
现有医学多模态大模型在分割生物医学图像时存在瓶颈，浙大蔡钰祥教授、上海AI Lab江彦开等人提出IBISAgent框架，将分割定义为多步视觉决策过程，实验显示其在多数据集上大幅领先对比方法。
论文解读：一个运算符能导出所有基本函数
波兰雅盖隆大学Odrzywołek发现二元算子EML，结合常数1能生成科学计算器所有标准功能。EML算子简化运算符集合、将离散问题转化为连续优化问题，但存在数值稳定性、表达式非唯一等局限。
4.5K Star 超极简！挖到一款更轻量的“纳米级 OpenClaw”，8 分钟直接理解源码！
作者挖到更极简的OpenClaw复刻项目NanoClaw，开源3天获4.5K Star。它基于Claude Agent SDK构建，抛弃臃肿设计，拥抱“定制即代码”理念。功能特性丰富，安全模型升级，核心仓库极简能力可无限扩展。
马斯克将用最强Grok 5，挑战LOL最强战队T1！
马斯克让Grok 5戴「纯视觉感知」与「拟人延迟」镣铐挑战LOL传奇战队T1。这是终极图灵测试，AI像人一样感知与推理。对决为特斯拉Optimus练兵，若AI看懂团战，就能理解现实世界。
ChatGPT开始搞社交了
谷歌狂放大招，ChatGPT更新群聊功能，与微信、QQ群聊神似，还能让聊天机器人判断群气氛决定发言。不久前奥特曼称不做社交，此次更新被指仓促，未直击痛点、缺乏技术突破。
真情实感体验了阿里「千问APP」后，为什么说它是「中国的ChatGPT」？
近日阿里推出面向全球的千问APP。从产品定位、模型能力、效果来看，它接近ChatGPT，是“中国的ChatGPT”。它打通Qwen模型和应用，界面极简，功能多，体验佳，有望让大家重新认识阿里大模型应用。
打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%
基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。
免费、开源！谷歌Gemini CLI彻底火了，平替Claude Code
谷歌开源的Gemini CLI火了，它能运行在终端，有谷歌Gemini Pro 2.5功能且基本免费。擅长编程等，与AI编码助手集成，有高免费额度，还具多项强大内置工具，或成Claude Code劲敌。
mem9：让微信里的龙虾不再失忆
文章介绍了 mem9 这一给 AI Agent 用的持久化记忆基础设施。它由 TiDB 团队打造，能解决 AI 失忆问题，实现记忆云端存储、无缝迁移，有两段式提取、混合搜索等功能，还能筛出重要记忆。
阿里开源 Qwen3-TTS 全家桶！语音设计、克隆、生成全打包，开源 2 天 3K Star！
阿里通义团队开源 Qwen3 - TTS 全家桶，含语音设计、克隆、生成功能，开源 2 天获 3K + Star。它有秒级克隆、语音设计等能力，有 0.6B 和 1.7B 两种规格，双轨架构等技术创新保障性能。