「视觉系统」共找到 2282 篇相关文章
最大游戏up主也玩本地AI？让笔记本都能跑大模型的Parallax来了
11月3日，知名游戏博主PewDiePie展示自建本地AI系统，引发全网轰动。本地AI有隐私、性能等优势。Parallax是开源AI项目，挑战“AI必须上云”逻辑，支持异构设备组网和多模型，性能优。
麻省理工 NANDA 研究发现，只有 5% 的组织把 AI 工具大规模用于生产
麻省理工 NANDA 报告指出，95%企业组织的 AI 投入无回报，仅 5%将 AI 工具规模化用于生产。原因是 AI 系统存数据、适应变化及持续学习能力不足，领导层对 AI 项目信心下降。
打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力
如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。
答对了却没看图？EASE给多模态RLVR装上「视线校正器」
强化学习与可验证奖励提升视觉语言模型推理能力，但存在答案奖励只知对错、不知证据区域问题。哈工大等团队提出EASE，把标注证据区转为目标分布，监督空间注意力，推理无额外标注，实验成绩优异。
登上Science Robotics顶刊！清华团队耗时22年，终于教会机器人踢足球
今年8月，清华赵明国教授团队联合字节跳动Seed等在《Science Robotics》发表论文，提出视觉驱动的反应式足球技能学习框架。该研究历经22年技术接力，成果在真机和赛事中验证，加速进化平台助力研究。
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。
字节开源GUI Agent登顶GitHub热榜，豆包手机核心技术突破26k Star
字节开源的豆包手机核心支撑GUI Agent模型UI - TARS登顶GitHub热榜，突破26k Star。它是多模态AI智能体，纯视觉驱动，部署简单，历经多轮迭代，成为热门开源多模态Agent。
史上首次！米兰冬奥基于阿里千问打造奥运官方大模型
2月5日，国际奥委会主席柯丝蒂·考文垂宣布基于阿里千问打造奥运史上首个官方大模型，已在赛务与公众服务双端落地。此外，自动媒体描述系统、AIGC技术等也有应用，阿里云多项技术助力米兰冬奥。
Vercel 开源 Bash 工具：基于本地文件系统的上下文检索
Vercel开源bash - tool，为AI智能体提供Bash执行引擎，让其通过shell命令在文件夹操作获取上下文，有三大核心操作，部署灵活，可节省token，贴合Unix工作流，或影响未来AI开发系统处理本地上下文方式。
AI招聘逆天研究：看照片预测一生职业成就
硅谷大厂HR标配的AI招聘系统Eightfold AI被指控算法歧视，求职者要求提高招聘筛选透明度。同时，美国多所高校研究者完成一项研究，AI能通过人脸照片预测职业走向，但因训练数据问题引发公平性争议。