「视觉-文本激活编辑」共找到 1120 篇相关文章
RSS 2025｜从说明书学习复杂机器人操作任务：NUS邵林团队提出全新机器人装配技能学习框架Manual2Skill
新加坡国立大学邵林团队提出 Manual2Skill 框架，利用 VLMs 将说明书视觉指令转化为机器人装配技能，含层级化装配图生成、分步骤位姿估计、动作生成与执行三阶段，实验验证其在多场景的有效性。
实测惊艳全球的Veo3！音画同步无敌，贵是有原因的
谷歌开发者大会推出的Veo3模型，具备强大文本和图像转视频能力，首次实现视频与音频同步生成。实测中，它生成的视频音画效果惊艳，但也有翻车情况，谷歌还给出提示词编写指南。
一个LoRA实现GPT-4o级图像编辑！浙大哈佛新模型冲上Hugging Face榜二
随着Gemini、GPT - 4o等把基于文本的图像编辑推向高峰，提高性能常需大量数据和大参数量模型。而浙大哈佛团队提出ICEdit，用少量数据和参数实现高质量图像编辑，媲美甚至超越商业大模型。
55.9K star！微软硬核开源文档转换神器，LLM最佳拍档！
介绍微软开源的轻量级Python文档转换工具MarkItDown，它支持20+格式智能转换为结构化Markdown，专为LLM文本分析场景优化，解决开发者处理多格式文档痛点，还阐述其功能、技术架构等内容。
两张图定位全球，o3碾压T0级高手！人类「诡计」被看穿，跨模态推理爆表
OpenAI的o3在GeoGuessr游戏中与大师级玩家Sam Patterson对决，o3通过视觉与搜索推理，忽略伪造EXIF信息，最终以23179比22054获胜，展现出跨模态推理潜力，引发对AI推理能力的思考。
UniSteer用机械臂「拼豆」：让人类指导进入VLA噪声空间强化学习
视觉 - 语言 - 动作模型（VLA）是机器人操作重要基础模型，但复杂任务成功率低，真机强化学习成本高。微软等机构研究者提出 UniSteer，将人类纠正转换成噪声监督，在多任务测试中提升了成功率。
夯，开源 LiteParse，没有对手的 PDF 解析工具，知道的太晚了！
LlamaIndex团队开源独立工具LiteParse，用Rust打造，可本地运行、零成本、高精度解析PDF。它能提取文本及精确位置，有多种输出格式，支持多格式输入，还介绍了安装、使用、OCR配置等内容及应用场景。
图像、视频一模搞定！字节全能原生多模态本地可部署
字节开源原生多模态模型Lance，仅3B激活参数，40G显存就能跑，已登顶huggingface趋势榜。它能进行图像与视频的理解、生成、编辑等操作，在多个基准测试中表现优异，多项性能居首。
Claude能直接操控你的电脑微信了，这才是真正的上位小龙虾。
Claude新发更新，可通过Computer use纯视觉方案操控电脑，还更新了远程操控Dispatch。这俩功能组合让Claude能操控微信等本地软件，使用简单，且权限管控和防护较好，更新速度快，领先同类产品。
打破视频推理「先看后想」惯性，实现真正的「边看边想」丨CVPR'26
现有大型视觉语言模型（VLM）在实时场景表现不佳，宁波东方理工大学沈晓宇团队提出TaYS，让VLM从“帧文交错”切换到“并行”，实现“边看边想”，在准确性和延迟上表现出色，推动VLM走向更真实应用。