来自arxiv的最新研究提出了一种名为Vision Banana的通用视觉模型，该模型的核心创新在于将传统的视觉感知任务重新表述为图像生成问题。通过指令微调（instruction-tuning）的图像生成模型，Vision Banana能够在多种...

Anthropic Labs今日正式发布Claude Design，标志着生成式AI在专业视觉创作领域迈出关键一步。该产品基于Claude Opus 4.7多模态视觉模型构建，能够协助用户高效生成设计原型、商业演示文稿、营销单页等视觉内容。其核...

微软近日发布了Phi-4-reasoning-vision-15B，这是一款开源的、权重开放的多模态视觉AI模型。该模型仅包含150亿参数，却在数学、科学、文档及用户界面（UI）推理任务上，达到了与参数量大数倍的模型相当甚至更优的性...

由builddotai团队在Hugging Face平台开源的Egocentric-10K数据集，标志着工业视觉与机器人学习领域取得重大突破。该数据集包含10,000小时以第一人称视角采集的工业操作视频，涵盖192,900个视频片段，真实记录了2,138...

Meta公司最新推出的DINOv3是一种可扩展的自监督学习模型，在包括网络图像和卫星图像在内的多种图像领域均实现了最先进的性能表现。这一突破性技术采用自监督学习范式，无需依赖大量标注数据即可从海量无标签图像中学...

微软研究院最新提出的GUI-Actor技术，彻底改变了AI代理与图形用户界面（GUI）的交互方式。这项突破性技术摒弃了传统依赖像素坐标预测的方法，转而采用注意力机制直接解析屏幕截图内容，使AI能够像人类一样'理解'界面...

GitHub开源项目Object Counting提出了一种突破性的全自动零样本物体计数方法，该方法通过融合深度特征图与自注意力机制，在FSC147数据集上实现了当前最先进的计数精度。该技术的核心创新在于：1）利用预训练视觉模型...

清华大学智能图形学与几何计算实验室（THU-MIG）在GitHub上开源了名为Large Small Net（LSNet）的新型轻量级视觉模型家族。该模型创新性地借鉴了人类视觉系统的动态异尺度处理能力（"See Large, Focus Small"机制）...