搜索：视觉语言理解

「视觉语言理解」共找到 2156 篇相关文章

首篇全新情景认知视角的大模型Agent综述

中科大的这篇Survey从全新情景认知视角对大模型Agent进行综述，给出Agent本质，介绍Agentic AI定义、大模型五层演化理论等，还以OpenClaw为例说明，旨在提供理解框架与未来方向。

Anthropic关于“潜意识学习”的研究发表于《Nature》杂志。研究揭示大语言模型能通过与语义无关的数据传递行为特征，如偏好、不对齐行为等，还探究了其机制，并在MNIST上验证。

北京大学彭宇新教授团队提出视觉语义场景补全方法HD² - SSC，通过高维度语义解耦和高密度占用优化，解决现有技术维度与密度差异问题，在两自动驾驶数据集上取得最优性能。

这是为whisper.cpp提供的Unity3D绑定库，能在本地设备高性能运行OpenAI Whisper自动语音识别模型推理。支持多语言识别与翻译，有不同大小模型，可本地运行，还介绍了使用方法。

大语言模型遇「最新」或「垂直领域」知识易出错，传统RAG做法有痛点。全新RAG框架DeepSieve把LLM当知识路由器，四步筛选信息，实验精度高、成本低，消融实验明确各模块价值，还有救场案例。

美国发育生物学家Michael Levin探讨意识与自我组装关系，强调意识是连续谱系。他从生物自我组装过程、意识与身份特性等多方面阐述，还呼吁用开放视角理解意识本质，并提出研究方向。

近日，开发者复现1970年代技术环境，用PDP - 11汇编语言实现Transformer并训练成功，项目叫ATTN - 11。在低资源下实现功能闭环引热议，大家思考Transformer到底需要什么。

Google正式推出Gemini in Chrome功能，将Gemini整合进Chrome浏览器。Chrome从‘内容展示器’变为‘内容理解器’，有多标签页处理等功能，提升效率，还推动浏览器形态演进，未来或能替用户操作。

阿里巴巴达摩院提出全自回归模型 WorldVLA，首次融合世界模型与动作模型，统一文本、图片、动作理解和生成。它用独立编码器处理多模态数据，还提出策略解决误差累积问题，实验表现优异。

文章介绍了美国宾夕法尼亚州立大学副教授杨洋的材料研究。他利用先进电子显微技术，研究材料在极端环境下微观过程，如空位、虫洞腐蚀和短程有序，旨在理解材料失效机制，推动材料设计优化。