LeCun谢赛宁等研究人员通过新模型Web-SSL验证了SSL在多模态任务中的潜力，证明其在扩展模型和数据规模后，能媲美甚至超越CLIP。这项研究为无语言监督的视觉预训练开辟新方向，并计划开源模型以推动社区探索。
想象一下，耗费动画大师宫崎骏数十年心血、一帧一画精雕细琢的艺术风格——比如《起风了》中耗时一年多的四秒人群场景，或是《幽灵公主》里那个生物钻地镜头背后一年零七个月的 5300 帧手绘，如今，在GPT-4o手中，似乎变得“唾手可得”。
视觉Token可以与LLMs词表无缝对齐了！
扩展无语言的视觉表征学习。
如何从一张普通的单幅图像准确估计物体的三维法线和材质属性，是计算机视觉与图形学领域长期关注的难题。
在今天数字图像无处不在，而高质量的图片对于各种项目至关重要。然而，许多人对于那些无聊、过度使用的传统库存照片感到厌倦，他们渴望与众不同、创新的视觉效果。这就是为什么 Lummi 库存图片的出现如此重要。
在视觉强化学习中，许多方法未考虑序列决策过程，导致所学表征缺乏关键的长期信息的空缺被填补上了。
你是否注意过人类观察世界的独特方式？
AI圈最热的风头莫过于GPT-4o的原生图像，但别急着下定论。Gemini 2.5 Pro正在悄悄反击，在Chatbot竞技场夺冠、IQ测试拿下第一后，它还能解魔方、建模型、创游戏，甚至一键生成3D打印文件！AI的下一个战场，正在从文字转向视觉与空间，谁能笑到最后？
给AI一张全新的照片，它能以相当高的准确率还猜出照片在哪个城市拍摄的。在新研究中，表现最好的AI模型，猜出图片所在城市的正确率比人类高62.6%！以后网上晒图可要当心了，AI可能知道你在哪里！
