「通用视觉感知系统」共找到 1584 篇相关文章
从Demo到行业落地的Agents：技术、应用与评估
通用LLM Agent工业落地有短板，哈工大深圳与华为提出L1 - L5工业Agent能力成熟度框架，映射技术演进与产业场景，覆盖50+行业案例、300+评测基准，给出可量化‘爬级’路线。
AI视频进入蒸汽机时代
百度蒸汽机 2.0 迎来重磅升级，推出行业首个通用 AI 长视频生成功能，突破时长限制，引入交互式需求表达功能。它解决了传统视频生成痛点，在多个维度优化创新，还带来商业应用新可能。
多模态后训练反常识：长思维链SFT和RL的协同困境
华为与香港科大研究发现，多模态视觉语言模型中，长思维链SFT与RL组合难协同增益。研究引入难度分类方法构建数据集，分析各方法表现及组合策略困境，还给出实验发现与未来研究方向。
顶级邪修再战 Nano Banana Pro ，超多玩法，太猛了这玩意！
谷歌发布 Nano Banana Pro 模型，将图片模型能力推向顶峰，支持中文。它能生成准确视觉内容、多语言文本，可混合多元素，支持多分辨率。经测试，其各方面表现出色，应用场景丰富，版权限制宽松，三方应用和谷歌官方均可使用。
CVPR 2026｜用互联网视频替代3D标注：通研院团队打造SceneVerse++「最大规模」真实3D场景数据
北京通用人工智能研究院团队在CVPR 2026接收论文中，提出自动化数据引擎，用互联网视频构建SceneVerse++数据集，规模超现有同类，在3D检测、VQA、VLN任务提升性能，还指明3D空间智能发展方向。
OCR又出宠OpenDoc，速度超MinerU6倍
复旦开源的OpenOCR是面向通用OCR任务的开源平台，其OpenDoc是超轻量文档解析系统。它采用Pipeline模式，两阶段解析不易放大误差。UniRec - 0.1B有独特架构与分层监督训练等创新技术。
全图与切片并非等价？LLaVA-UHD-v3揭示差异推出高效全图建模方案
随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。
小米开源首个跨域具身基座模型MiMo-Embodied，29个榜单SOTA
小米具身智能团队开源跨域基座模型MiMo - Embodied，它融合自动驾驶与具身智能，在29个榜单创SOTA。该模型基于MiMo - VL架构，采用四阶段训练策略，有效解决领域割裂问题，为通用VLA模型奠定基础。
思特威、格科微……十大厂商亮出传感器“王牌”
在全球半导体竞争与供应链重构下，中国传感器芯片产业机遇与挑战并存。本文精选2025年参评‘芯师爷-硬核芯年度评选活动’的思特威、格科微等十大厂商及其产品，展现产业感知层关键突破。
内幕曝光：OpenAI模型坦承不会第六题，3人俩月拿下IMO金牌！
OpenAI三人团队俩月让AI达IMO金牌水平。他们用多智能体系统技术，使模型能短时间解复杂问题。新模型有自省能力，减少“幻觉”问题。此次突破是通用推理技术进步，未来将整合进更多模型。