搜索：视觉语言理解

「视觉语言理解」共找到 2156 篇相关文章

OpenAI 内部揭秘：我们如何使用 Codex

文章揭秘 OpenAI 内部使用 Codex 的情况，介绍其在理解代码、重构迁移、性能优化等多方面的应用场景，还给出最佳实践，如用‘提问模式’开始、组织好提示等，展现了 Codex 强大的开发辅助能力。

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。

大型多模态模型在复杂多模态推理中面临挑战，67%错误源于视觉感知缺陷。为此，UIUC提出PAPO，通过隐式感知损失提升模型感知能力，无需额外标注，在多模态基准上表现优异，还解决了KL黑客问题。

本文介绍了鲸格PPT Skills，它是语义驱动的静态演示系统。区别于多数AI PPT工具，它先理解内容语义再呈现，支持多格式输出，有独特架构、动效和审美规则，生成的PPT可编辑、交互性强。

清华大学团队推出Dolphin模型，仅用6M参数，通过离散化视觉编码和热扩散注意力机制，实现单次推理精准分离语音，速度提升6倍以上，在多项基准测试中刷新纪录，为端侧设备部署开辟新路。

作者体验Minimax新推出的音乐模型Music 2.5，称其真实感强，中文无敌，咬字清晰，能唱维语等多语言。搭配粉丝开发的小工具，可尝试多种曲风，价格实惠，但功能有待完善。

北大团队论文揭示AI开始掌握人类创造力核心机制，提出IEI框架量化评估AI组合创造力。研究发现GPT - 4等在创意理解超普通人，框架优化可提升AI创意输出质量，论文被CogSci 2025收录。

杭州初创团队打造的iMeanAI Coyage是全球首个AI旅行伙伴，能解决旅行规划中选择困难和信息过载问题，如订机票、酒店、行程，经测试表现出色，还将开放多语言语音导览功能。

Neuralink手术机器人进化到第二代，5轴联动可直插大脑深处，8个摄像头与OCT系统助其避开血管。已在20名真人大脑手术，提速11倍。目标打造通用神经接口，虽硬件先进，但对大脑理解不足成瓶颈。

大语言模型幻觉问题突出，现有动态RAG方法信号不可靠。QuCo-RAG从预训练语料库挖掘统计证据，用客观频率替代主观置信度，实现毫秒级幻觉检测与动态检索触发，代码已开源。