「视觉编码」共找到 997 篇相关文章
GPT-5问题太多，奥特曼带团回应一切，图表弄错是因「太累了」
GPT - 5发布后问题频出，在数学、逻辑、编码任务中失误不断，还出现低水准图表错误，引发吐槽质疑。OpenAI联合创始人Sam Altman等在Reddit AMA活动中回应问题，给出解决方案并分享未来规划。
OpenAI刚刚发布GPT-5，免费使用、疯狂屠榜，一夜改写AI历史
今天凌晨1点，OpenAI发布GPT - 5，采用内嵌式三位一体集成架构，有创新的实时决策路由机制。免费版ChatGPT可使用，有额度限制。测试显示其在多领域大幅超越前代，应用开发能力强，今日向部分用户推出。
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。
推出4个月就狂赚3亿？！百万用户应用CTO弃Copilot转Claude Code：200美元拯救我的137个应用
Anthropic 公司推出的 AI 编码助手 Claude Code 推出 4 个月吸引 11.5 万开发者，单周处理 1.95 亿行代码，年化收入预估达 1.3 亿美元。开发者认为它优势明显，Soham 级别的生产力，还分享使用技巧。
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。
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。