「具身视觉」共找到 1599 篇相关文章
Claude Opus 4.7发布：更严谨的长任务处理与自我验证能力
Anthropic发布Claude Opus 4.7模型，相比4.6版处理长任务更严谨，能自我验证输出。它在视觉、指令遵循、记忆等能力上提升，企业级应用表现出色，还有新功能与安全特性，不过使用成本更高。
Gemini 3 Pro的位置，Kimi K2.5也想坐坐？
Kimi 发布 K2.5，在视觉编程上表现亮眼。它通过多模态训练涌现审美，能生成美观网页。与 Gemini 3.0 对比各有优势，Kimi Code 开源终端 Agent 功能强大，Kimi 还探索 Agent Swarm 协作新路径。
CVPR 2026 视频模型趋势梳理：不止生成下一帧，更要理解下一步
视频智能正从画面生成走向运动控制、动态建模等。CVPR 2026 显示视频模型竞争重心从视觉质量转向对时空和物理规律的建模能力，文中介绍多篇相关论文及成果。
GPT-5.2发布，OpenAI十周年纪念版更新。
OpenAI在成立十周年之际发布GPT-5.2。此次更新让其在真实工作场景更实用，包括PPT/表格制作能力升级、前端编码能力惊艳、视觉能力细节处理更强、工具调用意识领先等。
字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流
文章介绍字节跳动的Seed1.5-VL模型，它能精准抽取复杂图表，处理模糊图片、推理几何题。其由视觉编码器和LLM组成，预训练语料丰富，后训练结合多种方法，推荐在huggingface体验。
豆包也开始抢程序员饭碗了，首个编程模型来了！
字节给豆包升级编程能力，推出首款编程模型Doubao - Seed - Code。它刷新国内编程模型上下文长度，支持视觉理解，API价格良心。经测试，虽未达全球顶尖，但弥补国产编程模型短板。
“扁平+拓扑”双索引，85页PDF"秒级"推理，MMRag幻觉率骤降76%
文章聚焦多模态长文档视觉问答，介绍现有LVLM - based和RAG - based技术路线及困境。提出MMRAG - DocQA方案，引入‘分层索引 + 多粒度检索’，设计双索引建模相关性与依赖，用互补策略实现证据互补。
今天，「空间原生」时代正式到来！
6月8日，工信部和国资委要求机器人年底从「表演模式」转向「作业模式」，但现有模型空间感知能力不足。今天蚂蚁灵波发布 LingBot - Depth 2.0，开源 LingBot - Vision，其采用「空间原生」路线，训练高效且表现亮眼。
刚刚，国产AI双冠王！黑马世界模型打破全球纪录，一镜到底封神
生数科技的MotuBrain零宣发登顶双榜，打通「看懂世界+执行行动」，适配多个头部机器人本体。它基于Motus进化，具备多本体、多任务、长程执行能力，展示出强大的「一脑多能」和「一脑多型」特点。
阿里“快乐马”团队再出手！正面叫板谷歌 Genie 3，世界模型 HappyOyster 来了
4月16日，阿里发布世界模型产品HappyOyster，由ATH创新事业部团队研发。它与谷歌Genie 3同属世界模拟器流派，采用长跨度世界演化建模，有漫游和导演两大核心能力，在多方面呈现差异化优势。