「视觉理解」共找到 1300 篇相关文章
科幻！谷歌放出Gemini Robotics-ER 1.5：机器人有了真正的思考力
谷歌推出首个广泛开放给开发者的机器人具身推理模型Gemini Robotics - ER 1.5，可作为机器人高级推理大脑。它能解决物理问题，有新能力如快速空间推理等，还能让开发者平衡延迟与准确性。
InfiniteTalk：音频驱动的从口型到全身动作同步方法
近年来视频AIGC推动音频驱动人体动画变革，但传统视频配音局限口部。中国科学院大学提出稀疏帧视频配音范式，推出InfiniteTalk生成器，结合多种技术实现全身动作与音频同步，实验表现突出。
大模型解数学题是真懂还是 “死记硬背”？｜首个反例驱动的数学推理基准揭穿 “刷题式假象”！
随着大语言模型在数学领域应用渐广，其是否真具备数学推理能力成焦点。清华等团队提出反例推理评测基准COUNTERMATH，测试20+主流模型，结果不佳，而小样本微调能显著提升模型能力。
AI 创业，需要重读 Paul Graham 的「创业 13 条」
2009年YC创始人Paul Graham发表《Startups in 13 Sentences》，虽时间久远但核心观点不过时。创业者Chris Saad、Yaniv Bernstein结合经验和当下环境，剖析这13条创业原则，涵盖选联合创始人、快速发布产品等内容。
深度解读《AI 智能体的上下文工程》：构建高效 Agent 的七个宝贵教训
作者解读 Manus 团队文章，结合自身理解总结出构建高效 Agent 的 7 个关键点，如依赖上下文工程、提升 Prompt 缓存命中率等，还给出总结与核心启示，对 Agent 开发有借鉴意义。
垂直赛道 Agent 闷声发财指南：如何实现一年超千万营收？
本文围绕垂直赛道的2B Agent展开，分享了语核科技创始人的产品理念与经验，探讨了如何找到有价值的场景、构建高价值闭环。还介绍了客户的应用情况、对Agent的看法及选型考量，强调其商业价值与落地挑战。
798现场｜算法下的生活新常态
科技发展重塑社会关系，艺术为理解变化提供视角。798艺术区有两个展览，郭城的“虫”探讨技术理性双重性，蒲英玮的“红色计算机”探讨AI权力结构，展现科技与文明发展寓言。
DeepMind首个猜想库开源，获陶哲轩力挺！
谷歌DeepMind开源首个形式化数学猜想库，获陶哲轩力挺。该库用形式化语言重述数学猜想，为AI提供“标准答案模板”，还采取措施确保准确性，诚邀各方参与贡献。
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。
论文秒变海报！开源框架PosterAgent一键生成顶会级学术Poster
本文介绍开源框架PosterAgent，它能一键将论文转为可编辑的学术海报。相比GPT - 4o，其生成指标优、token使用量少、成本低。研究团队构建评估标准Paper2Poster，实验显示PosterAgent在多方面表现出色。