「视觉-语言双视角」共找到 1746 篇相关文章
不是视频模型“学习”慢，而是LLM走捷径｜18万引大牛Sergey Levine
UC伯克利大学副教授Sergey Levine提出，为何语言模型从预测下一词中学到很多，视频模型从预测下一帧却学得少。他指出LLM可“抄近路”模仿人类推理，像在“柏拉图洞穴”中，还探讨了AI走出困境的方法。
Qwen最新3.7 Max预览版空降！两代超大杯并行迭代，林俊旸走了但还在加速
Arena公布Qwen3.7-Max-Preview和Qwen3.7-Plus-Preview成绩，文本和视觉领域均为国产第一。Qwen3及以后迭代提速，大版本间隔缩至2-3个月，反映阿里Qwen团队进入快速实验、高频交付阶段。
这输入法200多一个月，竟还有10万人排队送钱？？？
Typeless是一款月订阅费超200元、功能单一却有超10万用户的AI语音键盘。它能转写语音、整理文本、AI润色，支持多语言，电脑手机端均可使用。实测其转录准确、整理能力强，但润色功能有局限。
亏到发疯！AI编程独角兽年入2亿8，结果用户越多亏得越狠
TechCrunch调查发现，AI编程公司虽收入和估值高，但普遍亏损。其运作成本高，大语言模型调用费占大头，用户越多成本越高，且市场竞争激烈。公司尝试自研模型、被收购、降价、提价等方法扭亏。
刚刚，杨植麟亲自开源Kimi K2.5！国产大模型打架的一天
今天国产大模型热闹非凡，Kimi更新至K2.5版本。它是万亿参数的MoE基础模型，开源且在多项评测表现佳，视觉与编码能力强，还引入Agent Swarm功能，实测展示其解决各类复杂任务能力。
机器人WAIC现场抢活讲PPT？商汤悟能具身智能平台让机器人「觉醒」
具身智能火爆但面临数据瓶颈等难题。商汤在WAIC推出具身智能平台「悟能」，以世界模型为引擎，有感知、导航、交互等功能，其开悟世界模型能生成多视角视频，为机器人提供数据支持。
DAA：李厂长在 Agent 时代给了个新坐标
作者参加百度Create 2026，李彦宏提出DAA（日活智能体数）概念，认为衡量平台和生态繁荣应看此指标，还预测未来全球DAA超100亿。对比Token，DAA是结果视角，更像Agent时代价值坐标。百度多款产品展示了Agent能力，还提出“芯云模体”新全栈。
真正的一句话修图：Gemini 用香蕉模型给出了图像生成的分水岭
Google新模型Gemini 2.5 Flash Image可在AI Studio体验。它有多图融合、角色一致性等能力，能实现自然语言编辑图像，速度快、价格低、API可用，虽有中文体验等问题，但有望让AI视觉工具进入工程化时代。
工具增强的多模态LLM综述
多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。
T-PAMI｜中国科大、合工大等提出CAPER++：让关节物体位姿感知真正迈向「又快又稳」
在具身智能发展下，关节物体位姿感知难题待解。中国科大、合工大等团队提出 CAPER++ 框架，从关节驱动视角建模，将位姿学习拓展至 SE (3) 流形切空间，实现端到端推理，兼顾精度、鲁棒性与实时性。