搜索：混合视觉标记器

「混合视觉标记器」共找到 894 篇相关文章

超越O4-mini，多模态大模型终于学会回头「看」：中科院自动化所提出GThinker模型

现有多模态大模型在通用场景推理有瓶颈，缺乏对视觉线索校验与再思考能力。中科院自动化所提出GThinker模型，有创新的「线索引导式反思」模式，经两阶段训练，性能超O4 - mini，论文等已开源。

本文介绍「嫁接」技术，可在小计算预算下编辑预训练 DiTs 探索新架构。不从头训练，替换算子创建混合架构，保持质量同时减少计算量。还通过实验展示该技术在构建高效架构和文生图模型中的效果。

Google DeepMind推出的Gemini 2.5 Pro在LMArena各大排行榜全面登顶，实现文本、视觉、Web开发全方位霸榜，编码能力也大幅升级。虽有质疑，但短期内难有对手，还引发对Google I/O大会更多惊喜的期待。

GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。

文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。

近年来，视觉 - 语言模型（VLMs）改变图像理解范式，但零样本分类性能对 Prompt 敏感。墨尔本大学 TMLR 小组提出 CARPRT 方案，以“无训练、黑箱适配、类别专属权重”解决提示词语义适配不足问题，已被 ICLR 2026 接收。

宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。

WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。

文章解读重磅论文，该研究汇聚五家顶级AI厂商十二个大模型，在标普500指数十一大板块构建投资组合并测试。结果表明，混合智能策略是稳健收益最佳路径，未来量化投资是人机和量化模型三元融合。

NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。