「视觉推理任务」共找到 3929 篇相关文章
10B超越Gemini-2.5-Pro！阶跃星辰端侧多模态天花板开源
阶跃星辰多模态智能团队开源STEP3-VL-10B多模态模型，仅100亿参数却性能惊人。它采用了独特的架构、训练策略与推理机制，在多任务上表现出色，为小模型发展提供新思路。
阿里开源PromptEcho：用冻结多模态大模型为文生图训练提供高质量Reward
阿里团队提出PromptEcho方法，无需标注和训练reward模型，仅通过冻结多模态大模型（VLM）的一次前向推理获高质量reward。实验显示其在文生图和电商海报文字渲染任务效果佳，且已开源相关代码等。
DeepSeek-OCR 2再进化，对图像理解已经像人一样逻辑推理了
DeepSeek-OCR 2升级，保持前代高效压缩率和解码效率，引入DeepEncoder V2，模仿人类视觉因果流机制，将图像理解转为逻辑推理，在文档解析领域实现逻辑重构，性能显著提升。
GPT-5真的拉胯吗？机器之心一手实测，网友：还我4o、还我4.5
OpenAI发布GPT - 5后评价褒贬不一。有人认为它进步大，也有人差评，如制作游戏、重构代码失败。机器之心实测发现其表现不稳定，写作、推理、编码能力有好有坏，复杂任务表现欠佳。
ChatGPT Images 2.0震撼发布！碾压谷歌Nano Banana，设计真要完了
北京时间凌晨3点，OpenAI发布ChatGPT Images 2.0，是先进模型，能处理复杂视觉任务。它精度控制力高、多语言能力强，风格表达成熟，支持多种宽高比，有现实世界理解能力等，已向相关用户开放，但也有局限性。
Yann LeCun放出憋了20年的大招：Meta开源V-JEPA 2世界模型
Meta发布V-JEPA 2世界模型，参数高达10亿，推理速度比英伟达Cosmos快30倍。它基于Vision Transformer架构，是Yann LeCun倡导多年的JEPA路线成果，仅需62小时机器人数据训练就能执行任务，打脸质疑者。
重新思考RLVR中的熵正则：从探索不足到探索过度的破局之路
2024年以来，RLVR使大模型在推理任务有显著突破，但实践中探索机制易失衡。传统熵正则化在LRM场景易走向极端，研究团队提出SIREN方法精准调控探索，实验显示其在多模型和数据集上性能提升显著。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。
GPT-5通关《宝可梦水晶》创纪录！9517步击败赤爷，效率碾压o3三倍！
GPT-5通关《宝可梦水晶》创纪录，仅9517步击败赤爷，步数为o3的三分之一。它在主线任务效率也远超o3，如收集徽章、对战四天王等。其优势在于幻觉少、空间推理和目标规划能力强。
Nano Banana Pro 一键极速分镜
Nano Banana Pro能通过一个提示生成叙事型九宫格分镜，用户可构思故事或修改已有故事，还能放大分镜、提示AI修改，该流程极大提升视觉叙事速度，文中还给出提示词示例及任务要求。