「视觉定位分割」共找到 967 篇相关文章
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。
台积电CoWoS的接班人：CoPoS
台积电将CoPoS定位为CoWoS下一代接班人，计划取代CoWoS - L。它用面板尺寸基板替换硅中介层，突破现有技术限制。目前已启动试点线验证，预计2027年小规模生产，或成高端芯片封装主流。
谢赛宁团队新作：不用提示词精准实现3D画面控制
谢赛宁团队新发布的Blender Fusion框架，结合图形工具 (Blender) 与扩散模型，让视觉合成不再仅依赖文本提示，实现精准画面控制。其核心是对现有技术高效组合，还透露两项训练技巧提升泛化性。
好玩！AI模仿人类‘空像错觉’，开启想象力之旅
越南国立大学提出Shape2Animal框架，模仿人类‘空想性错觉’，将自然物体轮廓转化为动物图像。该框架经多阶段流程，结合多种技术生成画面，但也继承了基础模型的一些局限性。
支付宝出手了，全民级的AI健康管家来了。
作者参加蚂蚁AI医疗产品发布会，介绍了全新AI产品AQ。它是专门的AI健康助手，免费用，能精准定位病因，还可预约挂号，与医保打通，有健康档案等功能，打破医疗信息差，未来可期。
谷歌又来砸饭碗！免费AI Agent发布，程序员狂喜
昨天谷歌发布免费开源的AI Agent Gemini CLI，可在电脑终端运行。它定位为开源AI Agent，能理解任务、制定计划和调用工具。免费额度慷慨，能力不限于编码，上手简单，但刚发布存在不稳定情况。
哈工大发布动画多智能体，文本一键生成连贯动画
随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。
PDF难点解析：处理复杂表格、水印、印章、复选框、信息抽取等7项任务，6大能力
文章介绍Nanonets - OCR - s可处理关键信息提取、视觉问答等7项任务，具备LaTeX方程识别、图像描述等6项能力，还给出体验链接。但测试发现英文体验优于中文，模型有重复输出、幻觉严重问题。
揭秘开源Agentic‑Doc真能支撑120 W+ 查询？医疗/金融/法务都在用，确实是有这么 6~~~
LandingAI的Agentic Document Extraction是领先OCR且具视觉结构化能力的Python SDK，可处理复杂文档。它功能丰富，架构合理，支持多格式输出。在多行业有应用，性能提升显著，与同类项目相比优势明显。