「图像思考」共找到 1067 篇相关文章
多模态幻觉的病因「高熵节点」找到了！全基准幻觉率下降
多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。
告别直接生成，文生图进入Agent时代：港中文联合伯克利开源Gen-Searcher
过去文生图多是‘直接出图’，遇真实世界知识等易翻车。港中文等团队提出Gen - Searcher，让图像生成模型像Agent一样搜索等，数据、模型和代码均已开源，实验显示它提升了生图准确性和质量。
Cursor滑跪开源技术报告：Kimi基模这样微调能干翻Claude
Cursor放出Composer 2技术报告力证‘自研’，基于Kimi K2.5经持续预训练和异步强化学习，测试表现好。同时，杨植麟分享Kimi团队最新思考，认为大模型要规模化，断言大模型训练进入第三阶段。
AI越强，企业越迷茫：顶尖CIO们的十大真实之问
阿里云CIO与40余家头部企业CXO深度碰撞，总结出《企业智变下的CIO集体之问》。报告指出企业AI落地困境，如数字人认知混沌、知识库建设难等，探讨十大经典问题，为企业提供思考方向。
如何定义“人味儿”？——HeartBench评测体系建设实践
在大模型竞争格局生变，情感智能评测缺失的背景下，作者团队发布聚焦AI拟人化的中文评测体系HeartBench，介绍其设计、评估方式、迭代过程等，还沉淀了评测体系构建方法论及专家标注管理思考。
Google Gemini Embedding2：一个模型处理所有媒体类型
Google发布Gemini Embedding 2，首个原生多模态嵌入模型。能处理文本、图像等多种媒体类型，支持交错输入，覆盖超100种语言。与多模型串联方案比，延迟降70%、召回率升20%。已可在Gemini API等使用。
全图与切片并非等价？LLaVA-UHD-v3揭示差异推出高效全图建模方案
随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。
Andrej Karpathy：AI本质是「软件2.0」，并非电力或者工业革命
Andrej Karpathy分享AI影响经济的思考，认为应将AI视为“软件2.0”，提出预测AI自动化能力的“可验证性”指标，回顾软件1.0，阐述软件2.0，指出“可验证性”决定AI进展的“锯齿状”前沿。
可口可乐又翻车了？用AI做圣诞卡车广告，观众说「没灵魂」！
2025年可口可乐用AI生成圣诞卡车广告，虽品牌方称工艺提升十倍，但观众觉得没灵魂。此前春晚吉祥物‘龙辰辰’也因疑似AI制作遭质疑。AI复制情感能力已蔓延各领域，引发对情感表达的思考。
视觉生成的另一条路：Infinity 自回归架构的原理与实践
本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。