Aria-UI通过纯视觉理解，实现了GUI指令的精准定位，无需依赖后台数据，简化了部署流程；在AndroidWorld和OSWorld等权威基准测试中表现出色，分别获得第一名和第三名，展示了强大的跨平台自动化能力。
大家可能看到过很多类似的结论：针对特定任务，对开源模型进行 LoRA 微调可以干翻 GPT-4 这类闭源模型。
近年来许多论文研究了基于扩散模型的定制化生成，即通过给定一张或几张某个概念的图片，通过定制化学习让模型记住这个概念，并能够生成这个概念的新视角、新场景图片。
对抗攻击，特别是基于迁移的有目标攻击，可以用于评估大型视觉语言模型（VLMs）的对抗鲁棒性，从而在部署前更全面地检查潜在的安全漏洞。然而，现有的基于迁移的对抗攻击由于需要大量迭代和复杂的方法结构，导致成本较高
近些年来，以 Stable Diffusion 为代表的扩散模型为文生图（T2I）任务树立了新的标准，PixArt，LUMINA，Hunyuan-DiT 以及 Sana 等工作进一步提高了图像生成的质量和效率。然而，目前的这些文生图（T2I）扩散模型受限于模型尺寸和运行时间，仍然很难直接部署到移动设备上。
LLM 强大的语言能力，使其被广泛部署于 LLM 应用系统（LLM-integrated applications）中。此时，LLM 需要访问外部数据（如文件，网页，API 返回值）来完成任务。
具身风暴在真实场景下广泛部署机器人，从而收集海量真实人机交互数据。
现在几乎每家公司都会有内部文档系统，如阿里的语雀、钉钉，字节的飞书，Confluence，印象笔记等等都可以提供给B端在局域网部署。因此，如果能把搜索功能做得高效，就能提高自家产品的竞争力。
智能体行业10月最新动态，附10篇行业论文和2篇AI Agent行业研报
ScreenPipe！作为 Rewind.ai 的开源替代方案，它功能强大，使用灵活，支持中文 OCR，同时兼容 Ollama，让你轻松本地部署，一键回顾你的电脑世界。
