#计算机视觉

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：

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

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

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