#视觉基础模型
共 13 篇相关文章
·17 分钟
CLIP视觉编码器是否成为VLM瓶颈？多模态大模型架构之辩
深入分析CLIP视觉编码器在现代多模态大模型(VLM)中的局限性，探讨计数、空间推理等任务短板，以及混合编码器、高分辨率处理等替代方案，帮助开发者理解VLM视觉前端的优化方向。
阅读全文 →
·12 分钟
Calibra：机器人学习数据集开源质检工具详解
Calibra是一款专为机器人学习数据集设计的开源质检工具，可检测重复演示、冻结帧、运动抖动、标定漂移等问题。本文详细介绍其功能特性、检测原理及对具身智能训练流程的价值。
阅读全文 →
·7 分钟
DINOv2免训练目标定位：单样本实现开放世界物体检测与分割
探索基于DINOv2补丁嵌入的免训练目标定位方案，无需微调模型，仅需单个样本即可实现开放世界多实例目标定位与分割，支持相接实例分离和破损物体识别。
阅读全文 →
·7 分钟
嵌入向量时代：数据科学从特征工程到表征选择的范式转移
探讨基础模型嵌入向量如何重塑数据科学工作流。从特征工程到表征选择，预训练模型+轻量下游头的模式正成为跨领域共同实践，了解这场范式转移对从业者的深远影响。
阅读全文 →
·7 分钟
SAM3+RTMPose零微调解析1950年代工厂影像：基础模型泛化能力实测
开发者将SAM3分割模型与RTMPose姿态估计直接应用于1950年代黑白工厂影像，无需任何微调即可准确识别工人姿态与物体边界。本文深度解析这一实验背后的技术逻辑、泛化能力原理及对历史影像分析的实际意义。
阅读全文 →
·7 分钟
Transformer²：用统一架构实现机器人形态与控制协同设计
深入解析Transformer Transformer研究，探讨如何用统一Transformer架构将机器人形态设计与运动控制整合到同一模型中，实现以任务驱动的端到端协同设计，加速具身智能机器人研发。
阅读全文 →
·9 分钟
如何阻止Meta AI使用你的Instagram照片训练模型
Meta默认将用户公开的Instagram照片用于AI训练，你知道吗？本文详解"默认参与"机制的隐私风险，并提供三步操作指南，帮你快速退出Meta AI数据使用，保护个人图像隐私。
阅读全文 →
·16 分钟
DINOv2 vs SigLIP：k-NN分类为何差距悬殊？视觉编码器选型避坑指南
实验显示DINOv2 Giant在k-NN分类上仅得41%，而SigLIP2高达92%。本文深入解析对比学习与自监督学习的嵌入空间差异，揭示视觉编码器选型的核心逻辑，帮助你在细粒度分类与图像检索任务中做出正确选择。
阅读全文 →
·15 分钟
块稀疏特征器：揭开视觉模型神经几何的黑箱
块稀疏特征器通过将视觉模型稠密激活重映射为块稀疏表征，让ViT、CNN等模型的内部特征空间变得可读可解释。本文深入解析其核心原理、与机制可解释性研究的关联，以及在模型编辑、鲁棒性提升等方向的应用前景。
阅读全文 →
·11 分钟
Codex录制回放功能详解：把屏幕操作变成AI自动化技能
OpenAI Codex推出录制与回放（Record & Replay）功能，将真实屏幕操作转化为可复用的自动化技能。本文深度解析其工作原理、应用场景与局限性，探讨AI从代码生成走向操作智能体的演进趋势。
阅读全文 →
·5 分钟
Meta SAM 3D获CVPR最佳论文荣誉提名：从2D到3D的分割突破
Meta AI团队的SAM 3D在CVPR 2026获最佳论文荣誉提名，将通用分割能力从2D图像拓展至三维空间。本文回顾SAM系列演进路径，解析3D分割技术突破及其对机器人、自动驾驶、AR/VR等领域的深远影响。
阅读全文 →
行业洞察·6 分钟
Siri缺席WWDC2025：苹果AI碎片化突围策略解析
WWDC2025上Siri未能如期亮相，苹果将AI能力拆解为视觉智能、实时翻译、AI电话助理等独立模块。深度解析苹果碎片化AI战略的考量与隐忧，以及2026年Siri回归的承诺。
阅读全文 →
