文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
已收录 293 条 · 近 30 天 218 条 · 第 1 / 15 页
Datalab发布了OmniParseBench，这是一个开放的OCR基准测试，在92种语言的2，937个页面上进行了16，288次是/否测试。每个分数都是通过率，您可以通过标签、脚本或语言进行细分。Datalab发布OmniParseBench：一个开放的OCR基准，具有16，288个通过/失败测试来审核OCR解析器的帖子首先出现在MarkTechPost
📌 One-Sentence Summary Vidu Q4 在一次生成过程中集成音频与面部动作，能够在无需外部插件或后期处理的情况下实现精准的唇同步和自然的身体动作。 📝 Summary Vidu Q4 模型通过将声音视为场景的内在组成部分而非独立轨道，革新了 AI 视频。模型在扩散过程中直接将音频波形映射到面部表情和身体动作，实现了传统两步配音方法无法媲
📌 One-Sentence Summary Google DeepMind 的 Gemini 4 Argon 模型正在多个科学领域中发挥作用，包括量子计算、核聚变和蛋白质设计，它通过快速处理实验数据并生成可执行的洞察来推动重大进步。 📝 Summary 这条推文强调了 Gemini 4 Argon 对科学研究的变革性影响。该模型正在量子计算、核聚变和蛋白质
普通科学
地球人工智能
📌 One-Sentence Summary A benchmark report indicates that Muse Wonder is a top performer for document Optical Character Recognition tasks， particularly in table and chart analysis，
谷歌已在Gemini API、AI Studio和Gemini应用程序上普遍提供Gemini 4 Argon。稀疏的MoE模型可写入多达100万个输出代币，并领先Vals指数68.90%。Google发布Gemini 4 Argon API，具有1 M代币输出限制，该帖子首先出现在MarkTechPost上。
给Ego补上缺失的交互信息
发布：llm-gemini 0.35我为llm-gemini添加了对新Gemini 4 Argon型号的支持，该型号今天通过Gemini API提供，并适用于每月100美元订阅计划的客户。这是低鹈鹕、中鹈鹕和高鹈鹕。正如预期的那样，它们都很出色：双子座在生产出色的SVG方面有着良好的记录，而且是我所知道的唯一一个他们的员工专门投资于SVG的实验室（而且他们以
📌 One-Sentence Summary Dyna Robotics 推出 Dyna-2，一个基于百万小时人类视频训练而成的世界-行动模型，使机器人能够预测未来状态并可靠、自适应地执行复杂物理任务。 📝 Summary 在本集中，Dyna Robotics 的联合创始人 Jason Ma 探讨了 Dyna-2 的开发，这是一种将未来视频预测与机器人控制结
📌 One-Sentence Summary 谷歌 AI 研究人员展示了如何利用 Gemini 4 Argon，从人类的玉米豆袋游戏视频中提取物理参数，并自主配置模拟，从而显著减少手动调参时间。 📝 Summary 这条推文展示了一种用于训练人形机器人的新方法。研究人员没有手动编程模拟，而是拍摄了一名人类玩玉米豆袋游戏的视频，并将其输入到 Gemini 4
作者：苏志海、柯宗伟、刘玉伦|稀疏到密集运动完成从稀疏的顶点位移恢复密集的网格运动。在一个几何族上训练的残余先验常常无法击败族外的无参数调和扩展。此外，跨家族训练遇到了缩放障碍：剩余幅度在几何家族之间变化超过一个数量级，并随着观察变得更加密集而崩溃。
作者：高欣、杨一帆、李欣|生成信息丰富的视觉制品（例如幻灯片、海报和仪表板）作为代码很有吸引力，因为输出是结构化的、可编辑的和可验证的。然而，代码模型无法看到他们对布局和颜色的选择如何在画布上结合在一起，这通常会限制空间规划和美学质量。图像生成器擅长视觉设计，但可能会错误渲染请求的内容，从而导致
HN ð182· 45 评论
作者：Faeze Ghorbanpour、Shaghayegh Kolli、Jana Diesner|多语言密集检索器将所有语言放在一个共享空间中，以便问题能够找到相关文档，无论它们是用哪种语言编写的。我们表明，用不同语言提出的同一问题会检索到截然不同的文档，这种分歧并不是因为语言理解薄弱。每种语言本身表现良好，并对候选人进行排名
它覆盖 23.5 平方公里，相当于 3291 个标准足球场，由 18.6 万张航拍与地面影像、150 亿个雷达点云训练而成，规模达 62 亿个高斯椭球。镇口的牌坊、红顶白墙的街区、通向远方的道路与山前转动的风机，都被收进了同一个连续的模型里。 这个模型，出现在中央广播电视总台重点纪录片《闽宁大道》中。从 8000 多人的闽宁村，到 6 万多人的移民示范镇，一
据拓竹科技（以下简称“拓竹”）官方消息，旗下首款3D扫描仪S1将于11月开售。这是拓竹首次进军3D扫描品类，意味着其产品版图从3D打印、激光切割、UV打印，进一步延伸至“现实数字化”入口。 行业公开数据显示，2025年全球消费级3D扫描仪市场规模约31亿美元，预计2035年将增长至68亿美元以上，年复合增长率超8%。但相比3D打印，这一品类至今未出现真正意义