搜索[vision]结果-低调大师优秀个人博客

精选列表

搜索[vision]，共751篇文章

超越 Vision Banana，商汤开源 SenseNova-Vision：视觉任务大统一

核心指标评测：SenseNova-Vision（深紫色柱状）在各项视觉任务中均处于领跑地位横向相比优势显著： • 对比语义导向模型（如Youtu-VL等）：SenseNova-Vision

2026-07-13

Grok-1.5 Vision 预览

xAI 宣布推出 Grok-1.5V —— 第一代多模式模型，用于连接数字世界和物理世界。除了强大的文本功能之外，Grok 现在可以处理各种视觉信息，包括文档、图表、屏幕截图和照片，预计该版本很快就会向早期测试者和现有 Grok 用户推出。公告指出，Grok-1.5V 在多个领域（从多学科推理到理解文档、科学图表、图表、屏幕截图和照片）与现有的前沿多模态模型相比都具有很强的竞争力。在 RealWorldQA 基准测试中的表现也要优于同类产品。 RealWorldQA 是由 xAI 新推出的一个基准测试，旨在评估多模态模型的基本真实世界空间理解能力。 RealWorldQA 的初始版本包含 700 多张图像，每张图像都有一个问题和易于验证的答案。除了其他真实世界的图像之外，该数据集还包含从车辆拍摄的匿名图像。后续还将随着多模式模型的改进而进行扩展，RealWorldQA 在CC BY-ND 4.0下发布。现已可供下载 (677MB)。示例：看图写代码用户：你能把它翻译成 Python 代码吗？ Grok：当然可以！您提供的流程图描述了一个简单的猜谜游戏：计算机生成一个随机数，用户必须猜出它。下面是表示流程图中逻辑的 Python 代码： import random def guess_number(): # Generate a random number between 1 and 10 target = random.randint(1, 10) while True: guess = int(input("Guess a number between 1 and 10: ")) if guess == target: print("You won!") break else: print("Wrong guess, try again!") if __name__ == "__main__": guess_number() 在接下来的几个月中，Grok 预计将在图像、音频和视频等各种模式中对这两种功能进行重大改进。与此同时，该公司还在进行招聘。

2024-04-13

Hugging Face Vision Trainer 实用指南

# Hugging Face Vision Trainer 实用指南 > 导读：本文整理自开源社区 Agent Skills 合集的中文翻译版本，围绕 Trains and fine-tunes vision

2026-09-08

OpenAI 推出 Vision Pro 版 ChatGPT

OpenAI 宣布推出可在 Vision Pro 上运行的 ChatGPT，现已在visionOS App Store 上架。

2024-02-04

Vision Transformer这两年

自2020年10月Vision Transformer模型推出以来，人们开始高度关注Transformer模型在计算机视觉上的应用。

2022-11-24

豆包大模型 1.6-vision 正式发布

火山引擎正式发布豆包大模型 1.6-vision，这是豆包大模型家族首个具备工具调用能力的视觉深度思考模型，拥有更强的通用多模态理解和推理能力，并支持Responses API。

2025-09-30

Vision Pro 新专利：可模拟生成气味

Apple Vision Pro 获得了一项技术专利，可模拟生成花香等多种气味。

2023-08-02

微软开源 Phi-4-reasoning-vision-15B

微软宣布推出 Phi-4-reasoning-vision-15B，一个拥有 150 亿个参数的开放权重多模态推理模型。

2026-03-05

Vision Pro 开发者套件已开放申请

开发者现在可以通过苹果官网申请使用 Apple Vision Pro 开发者套件 (developer kit)。所谓开发者套件，可以理解为 Apple 提供给开发者的测试机。

2023-07-25

GitHub Copilot 重磅新功能：Next Edit Suggestions & Copilot Vision

其中引人注目的更新之一是一个名为 Copilot Vision 的功能，它允许用户将截图、照片或图表附加到聊天中，Copilot 会生成界面和代码。

2025-02-07

蚂蚁推出 LingBot-Depth 2.0，并开源 LingBot-Vision

LingBot-Vision 此次共开源了 4 个版本—— ViT-G/L/B/S。

2026-07-08

VLC 下载量突破 50 亿，计划推出 Vision Pro 应用

Kempf 表示，除了继续开发 VLC 4.0，Videolan 团队还在将 VLC 移植到苹果的 Vision Pro 头戴式耳机，未来甚至可能提供对 FAST 频道和其他广告支持的在线媒体的访问。

2024-03-14

36 种场景分析 ChatGPT Vision 能力，LMM 将全面替代大语言模型？

ChatGPT Vision更偏向于有创造性的图片理解，而非机器性细节识别。 2.

2023-10-21

Link Vision 打破传统视频监控模式，开启新型物联网智能视频服务

2018飞天技术汇阿里云邵斌带来题为Link Vision物联网智能视频服务的演讲，首先介绍了Link Vision第一期发布的端侧摄像头SDK的功能，并对边缘多媒体网关的功能进行了详细的讲解，同时对Link

2018-07-30

DeepSeek-V4-Flash-Vision-Exp 实测：DeepSeek 终于给 Agent 装上了眼睛

DeepSeek-V4-Flash-Vision-Exp 实测：DeepSeek 终于给 Agent 装上了眼睛

2026-08-26

腾讯混元发布 52B 参数多模态理解模型 Large-Vision

腾讯混元团队近日发布了全新的多模态理解模型——混元Large-Vision，该模型采用腾讯混元擅长的MoE（专家混合）架构，激活参数达到52B规模，在性能与效率之间实现了良好平衡。

2025-08-13

Vision-R1：强化学习助力视觉定位，图文模型性能提升 50%

中国科学院自动化研究所与中科紫东太初团队联手推出了一种新方法 ——Vision-R1，利用类 R1强化学习技术，显著提升了视觉定位的能力。

2025-04-08

Women In Computer Vision——CVPR上一道特殊的靓丽风景线

我们都知道，CVPR（Conference on Computer Vision and Pattern Recognition） IEEE国际计算机视觉与模式识别会议是IEEE举办的图像识别领域的顶级会议

2017-07-31

DeepSeek V4-Flash-Vision-Exp上线：UI自动化终于“长眼睛”了？

它很擅长判断“元素在不在、能不能点”，却不一定知道“用户最终看到的页面到底对不对”。

2026-08-26

谷歌 Gemini 3 Flash 新增“Agentic Vision”功能：将视觉推理与代码执行相结合

谷歌宣布其 AI 模型 Gemini 3 Flash 增加了一个全新的视觉能力模块 Agentic Vision，旨在让模型在处理图像时更像人类专家，而不是静态“看一眼就猜”。

2026-01-28

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。