搜索
当下计算机视觉长期陷入“一任务一专用模型”内卷： 做深度估计要用DepthAnything，分割依赖SAM，人体姿态单独训练Sapiens，几何重建还得搭VGGT，各类网络骨干、解码器、损失函数完全割裂，研发与部署成本居高不下。
根据雷锋网报道，快手可灵AI核心技术骨干王鑫涛已确认离职。有知情人士透露，其下一站大概率将前往另一家头部互联网大厂。公开资料显示，王鑫涛本科毕业于浙江大学，博士阶段进入香港中文大学多媒体实验室深造，师从汤晓鸥教授，长期深耕计算机视觉与生成式AI方向。
面向设计生产场景，兔展智能研发了UniWorld-Design，进一步强化了视觉生成与编辑能力的结合，并基于此打造了产模一体战略的重要产品——RabbitVis。AI正在从通用能力竞争，进入场景能力竞争
随着 AI 生图能力不断提升，如何让 AI 真正进入创作流程成为新的行业问题。兔展智能基于 UniWorld-Design 视觉 AI 大模型推出 RabbitVis，尝试推动视觉 AI 从图片生成走向可编辑、可交付的创作流程。
人类看图时，不会先在大脑中拍下一张「截图」，再闭眼推理。思考过程会不断引导我们的目光：找到一个线索，形成一个假设，再回到图像里验证它。
视觉问答模型的准确率不断提高，但高分未必来自视觉理解 —— 当基准图像与答案已进入训练语料，模型可能只是复现了记忆。浙江大学等团队提出 ReKey：保留原始真实场景，只更新决定答案的那一小块视觉线索，使每轮评测都面向未见过的内容。
近年来，视觉 — 语言 — 动作模型（Vision-Language-Action Model，VLA）正逐渐成为通用机器人控制的重要技术路线，但当这些模型真正进入高频闭环执行时，一个矛盾越来越突出：模型越来越大、语义能力越来越强，动作更新却未必足够快。
7 月 19 日至 23 日，美国洛杉矶，SIGGRAPH 2026 如期而至。这场汇聚全球计算机图形学与视觉计算领域顶尖学者、艺术家与工程师的年度盛会，吸引了来自 69 个国家的近万名参会者。渲染、几何建模、动画仿真、与生成式 AI，几乎所有关于如何用计算机创造视觉世界的最前沿探索，都在这五天里集中呈现。
长视频理解，正在成为多模态大模型的重要能力。
过去两年，多模态模型的竞争看起来像一场“造眼睛”的竞赛：更高的图像分辨率、更多的视觉 token、更大的模型，以及更昂贵的训练。行业似乎默认，只要第一次看得足够清楚，AI 就能从“看见”抵达“洞见”。