与「视觉大模型」相关的搜索结果

给大家带来蚂蚁灵波LingBot-Vision 实测! 本次测试最大的亮点是在仅 1B (10亿) 参数量下, 展现出了极强的空间几何和边界感知能力, 实测表现直接越级打平甚至超越了 7B 参数的 DINOv3, 极具性价比！它非常适合用作具身智能的视觉主干 (Backbone) , 或者嵌入到机器人导航、机械臂抓取等需要极高空间精度的框架中使用都很不错, 对本地算力要求也很低. 视频中我直接给大家演示了免微调的视频目标追踪, 随便画一笔就能死死"咬"住目标. 另外, 它在硬件级深度补全 (比如识别透明玻璃、反光物体) 上表现也堪称杀手级, 不过由于技能点都加在了密集空间结构上, 在全局图像分类能力上算是中规中矩. 手里有 30 系显卡的兄弟们强烈建议本地跑着玩玩！ #灵波# #LingBot# #视觉大模型# #具身智能# #机器视觉#

当大家还在为闭源模型的封锁而焦虑时，边缘侧的视觉大模型已经进化到了恐怖的阶段。 👇 Martin Maly 展示了仅凭一次 Prompt（One-shotted），Opus 4.8 就能把一台普通手机变成「羽毛球专业裁判系统」：

我终于明白为什么LeCun顶着全网群嘲也要死磕世界模型了， 现在很多人误以为大模型快要通向AGI了，纯粹是因为被那种博导般的答题体感给骗了， @ylecun 说单靠把大语言模型做大，哪怕到了地狱也搞不出人类水平智能， 甚至直接开喷数据中心养出天才军团纯属扯淡，很多人觉得他迂腐、天天唱衰， 但我仔细翻完他在ECCV上的最新拆解才彻底明白，他反对的从来不是语言模型有用，他自己做了一辈子模型太清楚了，大模型说白了就是把全人类写过的几千亿字当成了超级开卷题库， 你问什么它都能对号入座吐出来，这种博导体感是工程的巨大成功，但也让很多人误以为它真的学会了独立思考 
有意思的是LeCun搬出了皮亚杰那句老话，智能从来不看你知道什么、看的是你不知道的时候该怎么做，拿学开车来说， 人类小孩四岁光靠眼睛看世界就吸进几十万亿字节，二十小时练习就能上路，而我们的大模型相当于读了人类四十万年的书， 在物理世界里连个洗碗叠衣服的家务机器人都撑不起来，换个没见过的环境分分钟崩溃， 说白了自回归只是在一个词一个词往下猜，现在的所谓推理其实大量是在词语空间里做多轮抽样搜索，遇到代码和数学这种有编译器自动给奖励的封闭沙盒还能刷分，一旦扔进没有自动打分器的真实世界，错误就会指数级放大 
说实话这就是为什么他宁可离开Meta、跑到巴黎去给AMI Labs融三十五亿美元估值，也要死磕JEPA和世界模型，他要的是让机器学会预测我做这件事世界会发生什么， 在抽象空间里做动作规划，不用在文字表面拼漂亮句子，连现在的缩放派其实都在偷偷向他妥协，单独拉视觉编码器、在隐空间里做搜索、用物理引擎搞模拟， 外壳虽然还叫LLM，内核其实都在往世界模型的方向打补丁，大家争论到最后已经不是要不要算力，而是我们要把算力花在背诵更多文字上，还是花在让机器看懂物理因果上 
我自己平时也天天靠AI写代码查资料，缩放派确实把已知世界的说明书背到了极致，但真正的智能是要去写说明书从来没写过的那一页， 以后别再看各家发布会画什么天才之国的饼，就盯紧三件事，新任务要多少样本能学会，换个环境会不会整段崩溃， 以及汽车和机器人能不能像人一样在物理世界里安全跑起来，谁对谁错不用在网上打嘴仗，现实世界自会交卷。

AI加玄学最近热度确实猛，但真正能落地跑通的硬核项目没几个。翻了几天GitHub，扒了8个实战开源的狠货，直接干货甩脸上。 提醒：别以为这是算命，这是你人生的K线图、Agent智能体、硬核算法排盘、玄学SaaS出海一条龙。直接Star收藏，不然后悔。 1 人生K线 创意满分，把八字命理和股票K线结合，AI大模型跑出你一生的牛市和熊市。让你直观看到自己到底什么时候能翻身，什么时候该躺平。支持自托管部署，趣味性拉满，不信你试试。 2 西方占卜AI模型 西方神秘学加NLP组合拳，用Reddit占星板块和纽约时报真实数据训练，做AI塔罗、占星文本分析的绝佳参考。想做蹭热度玄学内容？直接抄作业。 3 古代三式硬核算法 这个链接打不开，可能仓库被删或改名了。建议用“奇门遁甲”“大六壬”直接在GitHub搜，这类排盘库Python有不少，硬核到肝疼。 4 四柱编程 老天当程序员系列。用编程思维、面向对象彻底解构八字五行和天干地支。极客精神炸裂，教科书级别干货，保证让你看傻。 5 命运解读智能体 统一玄学Agent技能库。Python写，支持八字、紫微、占星等六种算命方法。专为接入Claude、Codex等大模型设计。想做AI算命机器人？直接抄。 6 神秘学Web应用 UI神秘感拉满的AI算命Web完整项目。React加Node.js搭建，底层接Llama 3大模型。前端动效和视觉直接参考，做产品抄这个就对了。 7 八字计算引擎与WebUI 八字五行计算神器。C++和Python算法扎实，自带Flask Web界面。开发者套壳二次开发，省时省力，直接起飞。 8 算命出海API服务 独立开发者出海搞玄学必看。AI命运解读API接口，爱情、事业、财富全涵盖，多语言SDK。产品价值提炼得牛逼，快速集成变现。想做跨境玄学老板？学它。 总结：AI玄学不是噱头，是真能赚钱。这几个仓库，研究透一个，你就赢了。

先是 GLM5.2，然后是 Kimi K3，现在是 Qwen 3.8 Max，每次国产模型的新发布都更加接近 Coding 领域的 SOTA。从 6 月开始，我感觉国内大模型明显开始在 Coding 和 Agent 领域加速了，和海外顶级 SOTA 的差距正在肉眼可见地缩小。 目前看，国产模型的长程任务、自主运行、反馈回路、跨 Harness 泛化和视觉自我检查等，能力越来越强了。做一个谨慎的预测，预计到 2026 年的年底，对于重度开发者和 Vibe 用户来说，海外模型可能会成为辅助模型，国内的大模型将成为我们的主力工具。 模型用户没有忠诚度，大家会用脚投票的，拭目以待。

搞自动化和爬虫的兄弟可以把之前的方案扔了。 GitHub 上突然爆火了一个开源项目 Index（由 AI 开发者平台 Laminar 团队打造），直接把网页浏览器变成了可调用的 API。这玩意本质上是一个极度丝滑的“AI 浏览器 Agent”，你在终端输一句人话，它就能像真人在浏览器里点按、抓数据、填表单，甚至跨站点联动办完一整套复杂流程。在 WebVoyager 跑分里直接飙到了 92% 的惊人准确率。 一句命令就能跑：pip install 之后敲 index run 就能直接在终端调用。 能直接用本地 Chrome：带 --local-chrome 参数，自动复用你已登录的账号状态。 顶配视觉推理引擎：原生支持 Claude 3.7 Sonnet、Gemini 2.5 Pro 等顶尖多模态大模型。 全程会话回放与排错：自带开箱即用的可视化录屏与步骤 Trace 监控。 自动抓取并生成表格：一句话搞定“去网站抓数据并新建 Google Sheets 写入”。 📦 开源协议：Apache-2.0 🔗 GitHub 传送门：

来自北京的月之暗面公司在7月16日发布了全新旗舰大模型 Kimi k3，是全球首个开源 3 万亿级大模型。100 万 上下文长度，可一次性载入百万字文档、完整代码库、整本财报、长篇专业文献，专为长时程代理式编码和自我演化工作流而构建。原生多模态统一支持文本、图片、截图、图纸视觉理解，非外挂视觉插件。 综合能力上仅次于闭源顶级模型 GPT-5.6 Sol、Claude Fable 5，在代码、长文档检索、复杂工程任务上反超绝大多数竞品开源 / 闭源模型。 完整模型权重将于2026 年 7 月 27 日公开释放，企业可本地私有化部署、二次微调，是当前可商用规模最大开源基座。

最近当大家都在刷屏Fable 5和GPT-5.6 的时候， 殊不知腾讯已经悄无声息的把大模型能力给追上来了。 你们知道腾讯低调到什么程度吗？ 前几天发布的Hy3 ，21B的激活参数已经可以打平旗舰水准，并且直接塞进微信10 亿+用户手里 ， 这才是国产大模型真正的王炸啊兄弟们！ 说实话周一刷到 Hy3 发布消息那会儿， 我第一反应跟很多人一样：又一个卷参数的国产模型？ 趁着周末有空，我仔细翻了一圈资料， 发现完全不是这么回事。 原来@TencentHunyuan这个模型从一开始就不是朝着聊天模型去的，人家的定位就是奔着干活去的 Agent 向 LLM。 另外最反直觉的是它的推理效率，295B 总参数， 实际激活只有 21B 的 MoE 架构， 就能打平参数是它 2 到 5 倍的旗舰模型， 这事儿我琢磨了一下，其实有点像团队管理， 并不是说人越多产出越高， 关键得看真正干活的那几个人靠不靠谱。 为什么这个效率重要呢？ 你想想微信每天服务 10 亿人， token 成本多一厘都是天文数字， 21B 激活还能打出旗舰水准， 我觉得这才是它能被规模化铺开的根本原因， 跟刷榜没半毛钱关系。 说到刷榜，我仔细研究之后这个版本还真不是， 从 preview 到正式版，Hy3 是Hunyuan团队拿了50 多个真实业务的反馈不断迭代出来的，内部 WorkBuddy 任务成功率从 72% 干到 90%，耗时降了 34%，幻觉和常识错误全往下掉。 我原来以为 Agent 的核心是想得多深， 后来发现真正决定能不能上生产的，是稳不稳， 比如工具编排会不会中途崩，出错了能不能自己爬回来，换个框架差不差太多等等， 就是这些不起眼的东西， 才是能跑完一整套 workflow 不掉链子的关键。 当然实际测试下来Hy3 也有短板， 比如纯视觉它还不够强，不过腾讯也有单独的多模态大模型线，它能打的主要还是 coding、办公、复杂任务规划这几块。 最后说个我的一个判断：就是接下来大模型拼的可能不是谁参数更大了，核心看谁能把干活的能力以最低摩擦送到更多人手里，比如Hy3 我理解它可能不是一个更会聊天的模型，更像是一个更会干活的 Agent 底座。 话说回来，腾讯这步棋确实走得挺狠， 我觉得国产大模型的拐点真的要到了， 下方视频是我用Hy3跑的几个测试案例， 分别让它做了一个介绍自己的HTML网页， 一个我的认知系统agent网页， 和做了一个10页的PPT，都很惊艳，大家可以感受下， 会干活、会自检、还会主动说自己哪没做到位， 我觉得这才是 Agent 时代，真正能用的模型该有的样子hh～ #Hy3# #Hunyuan# #TencentAI#

holy fucking shit，大模型计费的底层漏洞，被人用一张图片捅穿了🤯 给大模型喂长文本的成本，被这个野路子直接砍了六成， 这款叫pxpipe的本地代理工具，会自动拦截发往Anthropic接口的请求， 把系统提示，工具文档，历史对话，代码文件这些高密度内容，全部打包成图片再发给模型， 只把最近对话和关键内容保留纯文本，兼顾缓存效率， 原理说穿了很简单，图片按像素尺寸固定计费，和文本密度无关，一张1928×1928的图片， 能塞进去九万两千多字符，只消耗四千七百多个视觉token， 折算下来成本直接打四折，这套思路根源来自DeepSeek的光学压缩研究，通过图像传输文本的效率接近纯文本的十倍，准确率还很高， 实测在Fable 5上跑编码任务表现稳定，准确率损失极小，特别适合吃token的编码智能体场景， 当然也有明显短板，ID，哈希值，密钥这类精确字符串容易出现识别误差，目前对Fable 5适配最好， 其他模型效果有差异，有人觉得这是钻定价漏洞的取巧玩法，也有人觉得这是真的效率提升， 对重度使用编码智能体的开发者来说，省下来的都是真金白银hhh

一个普通的小玩意，结合AI叙事和高级视觉设计，能包装到什么地步？ 英国一家创意工作室，专门研究了这个问题。 他们搞了一个项目，交互炫酷，高级感拉满，目的就是为了嘲讽AI模型发布！！ 讽刺 AI 时代过度包装、术语崇拜和产品发布泡沫！ 顺便展示自己的 3D、WebGL、动效、品牌叙事和创意 campaign 能力。 他们把一个普通的不能再普通、甚至都不存在的杯托产品，包装成了一个划时代的AI产品来呈现。 把 AI 圈常见话术全套搬到了杯垫上。 1、Powered by AI 这个是最搞笑的，Powered by AI，但脚注里提示 AI 是 Adobe Illustrator。 2、开源权重 / Open-weight model 团队还发布了所谓的开源模型权重Oryzo-1，结果 GitHub 里是一个软木杯垫的 3D OBJ 模型。 3、Benchmark / SOTA / Instruct / Frontier 他们还把不同 OBJ 文件命名成 26B、40B、108B、168B-instruct、344B 等，明显是在戏仿大模型参数规模和 checkpoint 发布方式；并且基准测试 WoodenBench 是在一张桌子上做的，而且“很可能被操纵”。 4、On-device / edge / RTX 3090 / no cloud 官网写它“Runs on the edge”“Refuses the cloud”“No power required”，直接把 AI 硬件、本地部署、算力焦虑的营销式文案套到一个无需供电的杯垫上。