华为研究人员在arXiv最新论文中提出了一种创新性的轻量级神经应用控制技术，该技术利用视觉语言模型(VLMs)实现Android设备的应用控制，且仅需极少的额外系统配置。这一突破性进展标志着多模态AI在移动终端交互领域的...

近日，Hugging Face Hub发布的Omdet Turbo技术标志着实时开放词汇对象检测领域取得显著进展。该技术通过优化模型架构和算法效率，在保持高精度的同时大幅提升检测速度，解决了传统对象检测系统在动态场景中响应延迟...

马斯克旗下人工智能公司xAI推出的Grok聊天机器人近日迎来重要升级，新增了视觉识别能力。这一功能允许iOS用户上传图片或通过摄像头捕捉画面，随后向Grok提问关于所看到内容的问题。该功能与OpenAI的ChatGPT和谷歌的G...

Cohere公司最新推出的Embed 4多模态嵌入模型，代表了企业级AI搜索与检索技术的重大突破。该模型具备三大核心优势：首先，在100多种语言中实现了领先的多模态与多语言处理能力，大幅提升跨语言业务场景的适用性；其次...

近日，科技社区热议的π0.5（Pi-0.5）模型在开放世界泛化能力上取得重要进展。该视觉语言模型（VLA）通过创新架构设计，在未见过的新场景中展现出超越同类模型的零样本学习能力。技术博客透露，其核心突破在于动态多...

谷歌最新宣布，Gemini Advanced用户即日起可利用Veo 2模型实现文本到视频的AI生成能力。这项突破性技术可将自然语言描述直接转化为1080P分辨率、具有电影质感的动态影像，标志着多模态AI在视频创作领域的重大进展。V...

Gemini作为谷歌推出的多模态AI模型，其视觉能力一直备受业界关注。最新研究发现，Gemini在图像分割这一计算机视觉核心任务上展现出惊人的易用性。图像分割技术可将数字图像分解为多个具有语义意义的区域，是自动驾驶...

近日，OpenAI的ChatGPT在知名地理定位游戏GeoGuesser中展现出卓越的表现，标志着其在空间理解和图像解析能力上的显著提升。GeoGuesser要求玩家根据随机提供的街景图像精确定位地理位置，而ChatGPT通过结合多模态学习...