「视觉创作」共找到 986 篇相关文章
Gemini 2.5 Pro强势更新并霸榜，Claude 3.7首次遭遇全方位碾压！
Google DeepMind推出的Gemini 2.5 Pro在LMArena各大排行榜全面登顶，实现文本、视觉、Web开发全方位霸榜，编码能力也大幅升级。虽有质疑，但短期内难有对手，还引发对Google I/O大会更多惊喜的期待。
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
评论送书 | 想系统了解AI？先搞清楚这四件事
文章围绕系统了解AI需搞清楚的四件事展开，介绍了AI理论基础层的机器学习和深度学习，感知交互层的计算机视觉等，应用实践层的机器人学等，还提及伦理社会层的AI伦理和社会影响研究。
无需训练，如何提升黑箱VLM？CARPRT用「类别感知」给出答案
近年来，视觉 - 语言模型（VLMs）改变图像理解范式，但零样本分类性能对 Prompt 敏感。墨尔本大学 TMLR 小组提出 CARPRT 方案，以“无训练、黑箱适配、类别专属权重”解决提示词语义适配不足问题，已被 ICLR 2026 接收。
ICLR 2026 | 机器人不够聪明？VLMgineer让大模型自己「发明工具」，从设计到使用全自动
宾夕法尼亚大学研究者提出 VLMgineer，一个全自动工具设计与使用框架，利用视觉语言模型和进化搜索，让机器人自主设计并使用工具。该工作已被 ICLR 2026 接收。实验显示，它在工具设计上优于人类提示和现有 Benchmark 工具。
人跑光了，AI视频炸了！马斯克狂发推：Grok Imagine三金封神
xAI的Grok Imagine在DesignArena视频排行榜上，拿下视频竞技场、图像转视频和视频编辑三项第一，远超谷歌Veo 3.1、Sora等对手。它进步迅猛，靠聪明设计取胜，还将推动AI从“蛮力计算”向“智能理解”转变。
李飞飞World Labs最新判断：AI写完代码，下一步是「写世界」？
这篇来自 World Labs 的博客探讨了 AI 参与空间创作和现实世界任务时的通用接口，认为是 3D 。它像代码一样可结构化表达，还分析了神经图形学、模拟引擎的作用，并介绍了相关项目。
一夜蒸发1400亿！谷歌一个AI演示，游戏股集体跳水
1月29日谷歌发布Project Genie，上线不到24小时人们就用它创作作品。受其影响，Take - Two、Roblox、Unity等游戏巨头股价跳水，市值合计缩水约195亿美元。不过目前它生成的‘游戏’问题多，难取代游戏开发者。
长视频会议纪要、访谈节目精剪AI神器
WhisperVideo是用于长篇幅、多说话人视频的简洁演示系统，专为真实对话构建。它有SAM3视频分割、TalkNet主动说话人检测等功能，具备视觉关联说话人归属等特性，文中还介绍了安装、运行等内容。
让AI打游戏！能玩1000多款游戏，英伟达用4万小时视频训练出通用基础模型NitroGen
NVIDIA发布NitroGen模型，利用40000小时带按键显示的游戏视频，构建视觉-动作数据集，训练出能玩超1000款游戏的通用基础模型，在跨游戏泛化和微调任务中表现卓越，为具身智能发展提供新思路。