#计算机视觉

Jeff Li

4个月前

根据我开发的『后脑壳识别模型』判断：右1 曾毓群右2 马云右 5 马化腾右 6 刘永好右 7 任正非右 8 王传福右 10 雷军后排左二王兴

#后脑壳识别 #科技人物 #人工智能 #计算机视觉 #商业领袖

Gorden Sun

5个月前

Janus-Pro：DeepSeek开源原生图片多模态模型能读图（基于SigLIP-L），能生图（借鉴LlamaGen），分1.5B和7B两个大小。要知道GPT-4o的图片生成多模态模型至今没开放。模型： Github：

#DeepSeek #图片多模态模型 #GPT-4o #开源 #人工智能 #计算机视觉

宝玉

5个月前

字节的可以直接操作图形界面的原生 GUI 智能体模型UI-TARS，类似于 Claude 的 Computer Use，可以只靠截取的界面图片就能理解并操作软件。就像我们人类直接看手机或电脑屏幕一样，利用眼睛去“认”，再动手指去“点”。UI-TARS学会了从图片中辨别按钮、输入框、下拉菜单等各种元素，也能知道“这个图标大概率是搜索按钮”“这个区域是文本框”等信息。 UI-TARS具备四个关键能力，来模拟人类使用电脑或手机的过程： 1. 感知（Perception）：从截图中识别出界面有哪些元素、它们的文字、图标、位置等。 2. 行动（Action）：能够发出点击、滚动、输入文字、拖拽等具体操作指令。 3. 推理（Reasoning）：类似于人类的“思考”过程，尤其是比较复杂或多步骤的任务，需要先策划好要怎么做，再一步步执行。如果中途出错，还要思考如何纠正或绕过困难。 4. 记忆（Memory）：对过去的操作和获得的信息进行“记忆”，好让下一步决策更准确。过去很多尝试，往往是把各种工具模块拼在一起——比如：先用某个模型识别界面元素，再把文字描述交给另一个大语言模型推理，然后再用一个脚本执行操作。这些拼装好的框架对特定场景有效，但迁移性差。UI-TARS 的思路是直接使用一个“大模型”进行端到端学习，把对界面截图的理解、对任务目标的分析以及生成下一步点击指令的过程整合在一起，大大提升了灵活性与稳健性。 UI-TARS 不仅有直接的“直觉式”反应（称为System-1思维），还纳入了更深度的“System-2思维”，或者说“慢思考”。它会在做出点击等动作前，先进行多步推理，比如： “先打开浏览器 -> 输入网址 -> 搜索再点击下载链接 -> 安装软件 -> 打开软件” 如果中途失败或走错，它会像人一样反思错误、再尝试新的方案，避免一直卡在同一个问题上。至于效果，论文上说在某些测试上超过了 Claude 和 GPT-4o，但估计还是得看实际使用场景，所以还是建议有兴趣的自己试试看。开源项目地址: Huagging face：

#字节 #GUI智能体 #UI-TARS #软件操作 #智能界面 #计算机视觉

Dexter Yang ᯅノ🌐🔗🧙🏻‍♂️👾🦋

5个月前

其实从来没有过「什么都没有」的时代，从来没有「从无到有」、「凭空出世」的科技产品和科技创新，所有新技术都是旧技术的新组合加上「小创新」，都是建立在旧技术之上的（所以会垒加抽象层、会导致前沿和创新总是在更靠近顶层的地方）比如黄仁勋CES演讲中这两张图就是很具象化的例子第一层：用已有的通用GPU技术（GUGPU 和CUDA编程）和已有的深度学习技术（CNN）组合出革命性的计算机视觉技术成果 AlexNet 第二层：把 AlexNet 中的技术用于已有的其他领域的机器学习，组合演变出各种革命性的感知式 AI 应用（比如理解语音、理解用户个性化需求）第三层：在感知式 AI 技术（比如 RNN、CNN -> GAN）基础上演变组合出革命性的生成式 AI 技术（Transformer、Diffusion Models）第四层：用生成式 AI 技术生成万能中间接口（token），加上 RAG 等「小创新」，跟已有的专业软件开发技术（比如 Serverless 和 Web3、Web IDE 和声明式框架/组件）组合，得到像 AI 编程、AI bot 应用这样革命性的能自主工作的 AI Agent 第五层：把 AI Agent 引入到人形机器人、自动驾驶、AR/MR、数字孪生和物理引擎等已有技术的应用中，革命性的让 AI 即将进入日常生活工作方方面面

#科技创新 #黄仁勋 #计算机视觉 #GPU技术 #深度学习

Massimo

6个月前

Famous painting reimagined by AI [🎞️ a.i.image_video]

#AI艺术 #著名画作 #人工智能 #艺术与科技 #创造力 #高科技 #艺术改编 #计算机视觉