搜索
Doc-V* 由小米大模型 Plus 团队和华中科技大学 VLRLab 团队合作提出，一种从「静态阅读」到「主动探索」的多页文档理解新范式，通过交互式视觉推理让模型像人一样有策略地阅读长文档。
英伟达于昨日正式推出全新多模态推理模型Nemotron 3 Nano Omni，将文本、视觉、语音三大模态能力深度融合至单一模型体系，目前可免费使用。
Anthropic今天宣布与Blender、Autodesk、Adobe、Ableton、Splice等多家合作伙伴联合推出一批连接器，涵盖了3D建模、平面设计、音乐制作和现场视觉等多个领域的创意工具，让Claude能够直接在创意专业人士日常使用的软件中运行。
1946年至今，「人类最高智商俱乐部」门萨将迎来第一位非人类成员。根据LisanBench最新跑分，GPT-5.5 Pro文本IQ 130踩上门萨会员线，视觉IQ直接飙到145，杀进天才区。一年前「LLM过不了130」还是技术圈共识，今天，这堵墙彻底被砸碎！
创始人张霄昨天，2026年4月23日，宣布融资2300万美元，也成立了Collov Labs Research，资金用于扩充研究团队和加速视觉AI系统研发，而非单纯的商业扩张。
从单幅图像恢复三维结构，到多视图场景建模、动态 4D 重建，再到机器人、自动驾驶、SLAM 与视频生成，如何让模型在不依赖逐场景优化的前提下，直接、高效地理解并重建三维世界，正在成为 3D 视觉领域的
最近，谷歌联合ResNet作者何恺明、谢赛宁、NeRF先驱Jonathan T. Barron、 3D图形学名家Thomas Funkhouser，正式发布了Vision Banana。它向世界宣告：视觉AI终于不再需要那些臃肿的任务头了，理解，本质上只是生成过程中的一次「对齐」。
想象一下：你打开浏览器，没有代码、没有 HTML、没有 CSS 布局引擎。屏幕上每一帧画面，都是 AI 模型实时生成的像素视频流。满满的科幻降临既视感！这就是 Zain Shah（前 OpenAI、YC 校友）和团队刚刚发布的 Flipbook 原型。
近日，腾讯混元团队提出HY-SOAR （Self-Correction for Optimal Alignment and Refinement），一种面向扩散模型和流匹配模型的数据驱动后训练方法。
这个生物医学视觉推理框架，被CVPR 2026接收了！