搜索：复杂任务控制

「复杂任务控制」共找到 2886 篇相关文章

仅用图像也能Think：Google等提出一种视觉规划的全新推理范式！

剑桥和Google等提出并开源视觉规划范式，通过纯视觉表示规划，独立于文本。还引入VPRL框架，用GRPO后训练大型视觉模型。实验选三个视觉导航任务，VPRL表现最佳，显著优于其他方法。

近日，中国科学院等全球顶尖机构发布手术视频原生基础模型SurgMotion。它依托全球最大手术视频数据集，首次突破十亿级参数，覆盖17项核心手术任务，性能卓越，还在多领域形成生态共鸣。

该项目提供专业抖音数据采集与交互解决方案，支持数据爬取、直播间监听、私信收发等功能。它将抖音复杂通信协议封装成 Python 函数，还介绍了各功能实现原理、运行环境及项目地址。

阿里开源的前端增强项目 PageAgent 火了，在 GitHub 获 8k+ star。它是纯前端 JavaScript GUI 智能体框架，可让网页拥有 AI Agent，通过自然语言控制界面，有自动填表单等功能，使用简单。

NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。

阿里通义上线 Qwen3-TTS 两大核心能力，VoiceDesign 支持全文本控制音色特征，VoiceClone 能 3 秒音频跨语言、跨物种克隆音色。更新指标亮眼，如 0.1 秒级生成速度等，还可上手体验。

Shopify 分享构建 Agent 经验，采用主流 Agentic Loop 架构。给出4条打造 AI 智能体核心建议，还指出工具控制在20个内，可用 SubAgent 分摊上下文；用人类标记结果作基准让 LLM 评估 Agent 生成结果。

OpenAI发布Codex Desktop App，是macOS桌面应用。它有图形界面，支持定时任务、Skills管理和多Agent并行运行。还对比了与Claude Code的差别，介绍了OpenClaw项目，最后说明不同用户的使用场景和用量定价。

openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。

唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。