搜索:视觉谣言

共命中 50 条(服务端检索)
理想 MEGA 复盘:被恶意 P 图的谣言战与诉讼反击
复盘 2024 年理想 MEGA 上市后的恶意 P 图风波:造型争议被加工成「灵车」视觉梗,恶意二创冲击订单与股价,理想以取证、诉讼与叙事还击应对。这篇拆解视觉谣言的传播优势与法务公关的协同打法。
行业动态 精选 · 用户投稿 · 昨天 阅读 10·访客 10
一篇读懂视觉语言模型:图像是怎么变成「语言」的
大语言模型只认 token 序列,图片如何进入对话?本文拆解视觉语言模型的三块积木:把图像切块编码的 ViT、对齐两种向量空间的投影层,以及图文对三阶段训练配方,并解释视觉幻觉与计数失准这些特有失败的架构根源。
一叶一世界 精选 · 原创 · 10-6 阅读 577·访客 571
给时间装上把手:日程表、沙漏与视觉化工具
「催了才动、不催不动」的解法往往不是更响的催促,而是把看不见的时间变成看得见的工具。视觉化日程、定时器、共享日历能把时间装上把手,但工具要分龄、要淡出、要防失效。本篇给分龄工具箱、淡出三阶段与工具失败的三种场景。
一叶一世界 精选 · 原创 · 11-10 阅读 93·访客 91
让模型看懂图表与几何:视觉推理研究的演进与瓶颈
从 ChartQA 的图表问答到 MathVista 的图文数学推理,再到「视觉盲」测试暴露的底层缺陷,梳理视觉推理评测五年演进与当前真正的技术瓶颈。
研究前沿 精选 · 原创 · 11-9 阅读 56·访客 56
AI 与制造业:质检、预测性维护与工业视觉的硬功夫
制造业的 AI 是「硬功夫」路线:不聊天、不写作,只做三件事——把质检的眼睛装上产线、把设备故障预告出来、把工艺参数调到最优。这一领域的 AI 与大模型关系微妙:工业视觉不需要大模型,大模型在知识管理与文档环节补充。本文讲清制造业 AI 的真实落地地图与它对「AI 泡沫」的最好反驳。
行业动态 精选 · 原创 · 11-3 阅读 64·访客 64
视觉检索:以图搜图与截图问答
文本检索永远够不着架构图与 UI 截图。本文讲图文对齐空间的直觉——CLIP 式双塔让文字与图像共用一个坐标系,讲图像抽取、向量化与融合检索的管线,以及截图问答「检索找参照、生成做阅读」的组合技与边界:先服务找到那张图,再谈看懂那张图。
后端技术 精选 · 原创 · 2天前 阅读 7·访客 7
百事针头罐复盘:谣言危机与「事实为什么跑不过恐惧」
1993 年美国多州接连报告在百事罐里发现注射针头,恐慌式报案席卷全国,百事以生产线录像死磕事实、拒绝召回,最终警方抓获栽赃者平息风波——本篇复盘「以事实硬刚」这类罕见打法的成立条件与风险边界。
行业动态 精选 · 原创 · 11-10 阅读 51·访客 51
曝一汽-大众捷达品牌首款纯电轿车 M6 采用纯视觉智驾,预计下月中上市
IT之家 9 月 11 日消息,蓝鲸汽车今天(11 日)援引内部知情人士消息称,一汽-大众捷达首款纯电轿车(M6)预计于下月中上市, 搭载地平线征程 6M 芯片,并采用纯视觉智驾方案 。知情人士还透露,捷达预计 明年下半年推出新能源 SUV…
行业动态 IT之家 · 9-11 阅读 40·访客 38
UltraText Bench:面向图像生成中视觉文本渲染的双语综合评测基准
论文提出UltraText Bench,一个包含432条中英双语提示、覆盖24类真实场景和三个难度等级的基准,用于评测纯提示生成密集视觉文本的表现,并使用Q-Judger视觉语言模型从文本保真度、清晰度和空间质量等维度打分。
研究前沿 HuggingFace Daily Papers · 10-7 阅读 41·访客 41
多模态输入进 Agent:文档、图像与语音的接收面工程
Agent 的输入不再只有文本:PDF、截图、语音、表格、手写笔记——多模态输入让 Agent 贴近真实工作。本篇拆解多模态输入的接收面工程(解析管线、模态的统一表示、成本与延迟的取舍),以及文档智能、视觉理解、语音输入各自的工程要点。
智能体 精选 · 原创 · 11-4 阅读 49·访客 49
多模态 RAG:当文档里的关键信息藏在表格与图表里
真实企业文档的多数信息不在正文段落里,而在表格、图表与版式关系里——文本 RAG 的 OCR 管线在这里系统性失真。本文拆解两条补齐路线(解析增强 vs ColPali 式视觉检索)与生成端的图文编排,给出选型权衡。
后端技术 精选 · 原创 · 10-7 阅读 540·访客 537
VITAL:从视觉运动到精确动作的世界-动作模型
论文提出 VITAL 动作分词器,将视觉推导的运动骨架与紧凑的残差编码结合,把视觉运动作为主要预测目标,以提升世界-动作模型中厘米级精度的驾驶动作预测。
研究前沿 HuggingFace Daily Papers · 10-14 阅读 39·访客 39
在正确的潜空间中做超分辨率:以冻结的视觉基础模型作为基底
论文提出将退化图像的嵌入映射回由高分辨率自然图像形成的流形上来实现真实世界超分辨率,并主张像素空间或重建导向的潜空间不是合适的基底,而应使用冻结的视觉基础模型潜空间。
研究前沿 HuggingFace Daily Papers · 10-8 阅读 33·访客 33
从多向量视觉文档索引反推出原始页面图像
研究指出多向量视觉文档检索器存储的补丁向量索引可被逆向还原出页面图像,在ViDoRe v3基准上从原始索引反演的页面可恢复47%的词,提示此类索引应被视为与原文同等敏感。
研究前沿 HuggingFace Daily Papers · 10-7 阅读 32·访客 32
QuadTok:用于自回归图像生成的四叉树视觉分词器
QuadTok 提出基于四叉树的视觉分词方法,对复杂区域动态分配 token、对均匀区域用粗分辨率,在 ImageNet 上节省约 10% token 并在 COCO 零样本迁移时节省 9%,且树结构天然支持自回归图像生成。
研究前沿 HuggingFace Daily Papers · 10-7 阅读 35·访客 35
一篇读懂多模态统一训练:视觉、语言、音频的联合建模前沿
从 CLIP 对比预训练到连接器路线与原生 token 统一路线:图文音频联合建模的架构分歧、训练稳定性问题、模态不平衡与数据配比,一篇讲透。
大模型 精选 · 原创 · 11-9 阅读 68·访客 67
VLA(视觉-语言-动作)模型进化史:机器人如何「看懂再动手」
从 RT-2 把机器人动作当文本 token 输出,到 OpenVLA 开源 7B、π0 用流匹配跑到 50Hz、GR00T 与 Helix 转向双系统架构——本文梳理 VLA 模型三年的演进脉络:动作怎么表示、参数怎么变小、控制频率怎么上去,以及开源与闭源两条路线的分野。
研究前沿 精选 · 原创 · 10-7 阅读 700·访客 678
苹果 iPadOS 27.3 首个开发者预览版相机应用新增 Siri 入口:视觉智能触手可及
IT之家 11 月 4 日消息,科技媒体 MacRumors 今天(11 月 4 日)发布博文,报道称在 iPadOS 27.3 首个开发者预览版中,苹果面向部分支持的 iPad 机型,**在“相机”(Camera)应用中新增 Siri 标…
行业动态 IT之家 · 11-4 阅读 19·访客 19
视频理解研究:多模态视频理解的研究进展与基准
从 Kinetics 到 Video-MME 的基准演进、视频编码器到 VLM 的模型迭代、token 瓶颈与帧采样难题:多模态视频理解的进展全景与开放问题。
研究前沿 精选 · 原创 · 11-9 阅读 57·访客 57
AI 与安防行业:视频结构化、周界防范与隐私的天平
安防是 AI 视觉最早规模化落地的行业:海量录像被结构化成可检索数据,周界防范与行为识别落地最深;G 端项目制的商业模式、隐私比例原则的争议与出海合规差异,决定这门生意的边界与形状。
行业动态 精选 · 原创 · 11-10 阅读 49·访客 49
CameraVLM:让视觉语言模型理解相机运动方向
论文指出多数VLM在判断相机左移还是右移时接近随机猜测,并提出CameraVLM,通过相机运动令牌与屏幕内光流令牌的联合表征以及状态-语言对齐来提升相机运动理解能力。
研究前沿 HuggingFace Daily Papers · 10-12 阅读 32·访客 32
一篇读懂近视与老花:眼的屈光账
角膜与晶状体如何对焦、近视为什么是眼轴变长的物理后果、成年后度数为何仍会加深、老花与近视为何可以并存。这篇算清眼的屈光账,讲清矫正手段的分工边界,以及哪些视觉异常必须立即就医。
一叶一世界 精选 · 原创 · 11-10 阅读 103·访客 103
谷歌最强 VLA 机器人模型:Gemini Robotics 2.5 登场,会系蝴蝶结、已在奔驰生产线上岗
IT之家 11 月 10 日消息,谷歌推出迄今为止能力最强的视觉-语言-动作(VLA)机器人模型 **Gemini Robotics 2.5**,大幅提升机器人可学习的技能广度与学习速度。 该模型增强了机器人的灵巧度、可靠性与安全性,助力机…
智能体 IT之家 · 11-11 阅读 40·访客 40
多模态推理的基础设施:VL 模型服务化的特殊工程
视觉语言模型(VLM)的服务化与纯文本模型不同:图像的预处理管线、多模态 KV 的显存压力、请求的异构性(图+文的组合)。本篇拆解多模态推理基础设施的特殊工程点——从请求处理到显存管理到成本核算。
大模型 精选 · 原创 · 11-4 阅读 53·访客 53
一篇读懂文档解析:RAG 的质量,卡在切块之前
RAG 答案不对,先别急着调切块参数——病灶常在更上游的 PDF 解析。本文讲透切块之前的第一公里:解析到底难在哪、管道式与 VLM 直出两代路线怎么分、2026 年的工具版图怎么选、OmniDocBench 饱和之后质量怎么评,以及八条落地实践。
一叶一世界 精选 · 原创 · 10-24 阅读 186·访客 177
Vela:基于自适应动作曲线参数化的视觉-语言-动作模型扩展
Vela 提出用连续轨迹(样条参数化 + 运动相关的时间支撑)替代固定速率动作块来表示机器人未来行为,并通过共享动作接口支持异构本体,使固定输出预算能自适应分配。
研究前沿 HuggingFace Daily Papers · 10-4 阅读 32·访客 32
智能体生态观察 · 第 68 篇|浏览式理解:从爬虫解析到智能体浏览的范式迁移
喂给智能体的网页数据正在换代:选择器脚本快而脆,真实浏览器浏览慢而稳,成本差一到两个数量级。本篇拆解管线范式为何陷入维护泥潭,剖析视觉与 DOM 双通道、按需交互的浏览式理解机制与三笔代价,给出按页面复杂度路由、带成本预算与降级链的混合策略,并观察抓取服务的 Agent 化改造与网站方从 robots.txt 到按次付费的态度分化。
智能体 精选 · 原创 · 2天前 阅读 20·访客 20
快手可灵全新一代图像创作模型 Kling Image 4.0 上线:首次支持原生 8K,单图内可生成 2000 字
IT之家 11 月 17 日消息,快手可灵 AI 今天(17 日)深夜宣布,全新一代图像创作模型 Kling Image 4.0 正式上线,同时面向企业客户与开发者开放 API 接入。 新模型采用「理解生成统一」架构,探索将视觉理解与图像生…
行业动态 IT之家 · 4天前 阅读 1·访客 1
大模型攻防战:越狱攻击与鲁棒性研究前沿
从对抗样本的视觉起源到 GCG 梯度攻击、PAIR 自动越狱与多轮 Crescendo,再到 SmoothLLM 等防御与评测陷阱,梳理大模型对抗鲁棒性的攻防全景。
研究前沿 精选 · 原创 · 11-9 阅读 51·访客 51
原生多模态与 Any-to-Any:当理解与生成合流进一个模型
GPT-4o 之前的多模态是「拼装」:LLM 外挂视觉编码器、外挂图像生成器。原生多模态把理解与生成合进一个模型——语音进出、图像进出都在同一套权重里。本篇拆解三代多模态架构(外挂拼接、原生统一、any-to-any)、早融合与晚融合的技术分野、统一模型的权衡,以及「模态是什么」这个被重新打开的问题。
研究前沿 精选 · 原创 · 11-3 阅读 85·访客 84
破晓智能联合天珑移动发布全身全模态数据采集系统SeePhys Hub
破晓智能与天珑移动发布SeePhys Hub数据采集系统,通过四目头环、腕部手环、腰腿部追踪器和触觉手套,将视觉与身体运动、触觉信号融合,为机器人学习全身移动操作补充Ego数据中缺失的交互信息。
行业动态 量子位 · 10-14 阅读 51·访客 51
何恺明团队发布多模态Harness框架
henry* 2026-10-11 16:59:06 来源:量子位 多模态模型的视觉原生Harness,来了! henry 发自 凹非寺 量子位 | 公众号 QbitAI 多模态模型的视觉原生Harness,来了! 最近,何恺明团队在最新…
研究前沿 量子位 · 10-11 阅读 60·访客 60
阿里正式发布Qwen4,智能体及编程能力进阶,迈向真实全场景
量子位的朋友们* 2026-11-16 15:51:57 来源:量子位 11月16日,阿里巴巴发布全新一代基座大模型Qwen4-Max 11月16日,阿里巴巴发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力,支持…
智能体 量子位 · 5天前 阅读 17·访客 17
Browser Use 与浏览器智能体开源栈:让 Agent 学会上网的工具面
Browser Use 是开源浏览器智能体的代表项目:把浏览器操作抽象为 Agent 可用的结构化工具面。本篇拆解浏览器智能体的技术栈分层(Browser Use/Playwright MCP/各家框架的整合)、两种感知路线的取舍(DOM 快照 vs 截图视觉)、登录态与反爬的现实工程,以及企业与个人怎么用这套开源栈。
智能体 精选 · 原创 · 11-4 阅读 64·访客 64
浏览器智能体 2026:技术路线、反爬对抗与选型边界
浏览器智能体已走过演示期:可访问性树、视觉定位、混合感知三条路线各有代表实现,产品入口从框架卷到整只浏览器,而网站方的封锁也在同步升级。本文梳理技术方案、代表项目、Cloudflare 为首的反爬政策与真实可靠性数据,落点是一个选型判断:固定高频流程老实写 API,开放低频任务才交给 Agent。
智能体 精选 · 原创 · 10-10 阅读 436·访客 408
阿里千问开源 Qwen-Image-2.1 图像模型:可生成、编辑透明图像,支持最多 10 张参考图
IT之家 9 月 20 日消息,阿里千问今日宣布,开源千问图像系列当前兼顾生成效果、推理效率与使用成本的开源图像模型 Qwen-Image-2.1。 Qwen-Image-2.1 将文生图与图像编辑整合在同一模型中,视觉生成部分仅有 7B …
开源项目 IT之家 · 9-20 阅读 97·访客 96
NAMVIS:基于下一尺度自回归的多视角图像合成
NAMVIS 提出免扩散的几何条件下一尺度自回归框架,通过少量粗到细尺度步骤并行预测离散视觉令牌,并结合多尺度投影位姿编码注入相机几何信息,用于稀疏视角新视角合成。
研究前沿 HuggingFace Daily Papers · 10-3 阅读 33·访客 33
对话一目科技:用视触觉传感器为机器人补上缺失的「手感」
爱范儿「多样性公司」栏目专访一目科技创始人李智强博士,介绍其厚度迭代至3毫米以下、号称全球最薄可量产的仿生视触觉传感器SENTRA T0,以及触觉感知对机器人灵巧操作的重要性。
行业动态 爱范儿 · 9-29 阅读 127·访客 127
一篇读懂酒精代谢:乙醛、脸红与「解酒」的真相
「喝酒上脸说明代谢好」是最流传的健康谣言之一——脸红恰恰是乙醛堆积的危险信号。本篇拆解酒精的代谢路径(ADH→ALDH 两步氧化)、乙醛的致癌性(一级致癌物实锤)、常见「解酒法」的真伪,以及关于饮酒的几个硬共识。
一叶一世界 精选 · 原创 · 11-4 阅读 104·访客 103
AI 水印:技术、局限与绕过——溯源军备的现实
「给 AI 生成的内容打个看不见的标记」是溯源最直觉的方案:文本水印改写词频、图像水印编进像素、Google 的 SynthID 已商用。但水印天生是一攻一防的军备:改写攻击、 paraphrase 绕过、开源模型无法强制。本文讲清水印的技术原理、已被证明的局限、以及它在「溯源工具箱」里的真实定位。
一叶一世界 精选 · 原创 · 11-3 阅读 91·访客 91
CLASHarness:通过可控可验证的生成流程对多智能体冲突进行基准测试
提出 CLASHarness 框架,用于评估视觉语言模型驱动的多智能体系统在信息不一致、指令矛盾等冲突场景下的处理能力,弥补现有基准多假设协作一致环境的不足。
研究前沿 HuggingFace Daily Papers · 10-13 阅读 37·访客 37
系统切换:快速决策模型何时应该停下来思考?
研究提出在闭环 Doom 环境中,由门控机制决定快速动作模型何时将控制权交给推理型视觉语言模型,并基于 900 道保留问题评估了 0.15B 到 9B 参数零样本决策模型在错误中的收集倾向、准确率与校准表现。
研究前沿 HuggingFace Daily Papers · 10-7 阅读 37·访客 37
CADFather:通过协同工具调用实现自主CAD重建
CADFather是一个自主智能体系统,由视觉语言助手协调多种学习与算法工具,从3D网格恢复可编辑的参数化CAD程序。
智能体 HuggingFace Daily Papers · 10-6 阅读 92·访客 91
FastOPD:面向轻量化VLA部署的在策略蒸馏方法
文章提出FastOPD框架,通过将流映射用于单状态教师监督并结合自洽性目标进行在策略蒸馏,构建紧凑的学生模型来学习教师动态,以解决大规模视觉-语言-动作(VLA)基础模型部署计算成本高的问题。
研究前沿 HuggingFace Daily Papers · 10-2 阅读 29·访客 29
Long-WAM:扩展世界-动作模型的上下文长度
论文提出Long-WAM框架,在实时控制约束下扩展因果世界-动作模型的视觉历史上下文,发现自回归预训练的视频基础模型才能让更长历史带来收益,在RoboCasa GR-1上将成功率从63.3%提升到78.7%。
研究前沿 HuggingFace Daily Papers · 10-7 阅读 42·访客 42
ViGAR:面向组合式与上下文机器人操作的分层世界-动作模型
论文提出分层框架 ViGAR,将长时程操作分解为视觉子目标规划器与子目标执行器,两者共享预训练世界模型表征,以实现具备子任务级推理的机器人操作。
研究前沿 HuggingFace Daily Papers · 10-1 阅读 44·访客 44
UniWAM:统一的世界-动作模型
UniWAM 提出统一架构,整合物理推理器、世界生成器与动作预测器,联合学习物理世界语义理解、视觉生成与动作预测,并配套了严格的数据清洗与标注流程。
研究前沿 HuggingFace Daily Papers · 10-1 阅读 31·访客 31
智能体生态观察 · 第 62 篇|幻觉治理:引用链、校验器与置信度表达
幻觉治不到零,治理的目标是让编造变贵、变可见、变可控。本篇盘点智能体时代幻觉的新形态——工具误读、参数编造、引用错位,拆解引用锚定、独立校验、置信度分级三道过滤网的机制与边界,并讨论不确定性的呈现设计与垂直场景的强校验实践。
智能体 精选 · 原创 · 2天前 阅读 9·访客 9
什么是世界模型:从「生成视频」到「可交互的模拟器」
LeCun 的 JEPA 主张、DeepMind Genie 3、NVIDIA Cosmos 与李飞飞的 World Labs,讲清世界模型与视频生成模型的本质区别:一个产出录像,一个产出可交互、可预测的环境。
研究前沿 精选 · 原创 · 10-7 阅读 500·访客 462
扩散语言模型:不用自回归的文本生成,走到了哪一步
图像生成被扩散模型统治,文本生成却始终是自回归的天下——文本能不能也用「从噪声里逐步去噪」的方式生成?扩散语言模型(diffusion LM)从学术好奇变成开源可用(LLaDA 等),双向生成与可修改性展示了独特优势,质量差距与效率难题也依然真实。本篇拆解它的机制、与自回归的三点对比、以及这场范式之争的现状。
研究前沿 精选 · 原创 · 11-3 阅读 66·访客 66