「通用视觉语言」共找到 2219 篇相关文章
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
具身智能落地四问：路线图、陷阱、生态位与破局思路｜甲子引力X
在「渡口——甲子引力X2025科技产业投资大会」上，梅卡曼德创始人邵天兰探讨具身智能落地问题。他指出落地有陷阱，企业应耐心发展；智能机器人对手是人工与专用设备，要找生态位，梅卡曼德做通用组件应对挑战。
Uno Platform 6.6 发布：Android 启动性能最高提升 61%
Uno Platform 6.6发布，在五平台引入原生AOT发布、可选Vulkan渲染后端等。聚焦运行时性能，提升多平台启动速度，还简化XAML编写，增强AI辅助、无障碍及多语言支持等。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
硅谷热议：最快语音转文字模型
AI语音独角兽ElevenLabs发布Scribe v2 Realtime实时语音转文本模型，实现150毫秒超低延迟、93.5%高准确率，覆盖90多种语言，打破速度与精度不可兼得困境，此前该领域痛点多。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
极客说｜Unsloth 的全微调之路：从 Adapter 到 Full Fine-tuning
大语言模型参数多，微调难。Unsloth 原靠支持 Adapter 微调出名，现支持全参数微调，单卡就能搞定大规模模型训练。文章介绍其进化历程、关键技术、工程部署、使用优势及最佳实践。
新型开源端到端 AI 语音模型！Voila：195ms 超低延迟引领全双工对话！
Maitrix团队发布开源AI端到端语音模型Voila，以195ms超低延迟及全双工对话受关注。它功能强大，支持多语言，有多种使用方式，适用于多个场景，架构采用模块化设计。
GitNexus 开源代码库知识图谱引擎，效果惊艳!
GitNexus 是在浏览器运行的客户端代码智能工具，能将代码库转化为知识图谱，内置 RAG 智能代理。有 CLI + MCP 和 Web UI 两种使用方式，支持多种主流语言，还提供详细文档。