标签
Urban-ImageNet是一个大规模多模态数据集和评估基准,用于从社交媒体图像进行城市空间感知,支持场景分类、跨模态检索和实例分割任务,覆盖中国24个城市的61个城市地点。
UI-TARS 是一个 AI 智能体,能够控制笔记本电脑屏幕来执行点击、打字和浏览等操作,实际上充当了设备本地的 AI 员工。
本文提出ContactPrompt,一种利用多模态大语言模型进行密集手部接触估计的免训练零样本方法,无需训练即优于监督方法。
Deepmind 升级版的 Gemini Deep Research 极速推进科学文献综述进程,可自主整合多模态数据,重塑金融、生物科技与咨询行业的工作流。
一条社交媒体动态,推荐一篇把 RLM 和 DSPy 应用于多模态数据的文章。
HY-World 2.0 是一个多模态世界模型框架,通过全景生成、轨迹规划和场景组合等专用模块,从文本、图像和视频中生成高保真度的三维高斯泼溅场景,在开源方法中实现了最先进的性能。
HY-World 2.0 是腾讯开源的跨模态3D世界模型,能够从文本、图像和视频中重建和生成3D世界,生成可编辑的3D资产(网格/高斯泼溅),效果与闭源方法相当。
Hulu-Med 是一个透明的医学视觉语言模型,统一了对文本、2D/3D图像和视频的理解,在30个基准测试中取得了最先进的性能,并且完全开源。
Gemini Omni 是一款谷歌AI工具,支持通过自然语言指令、草图和多轮对话来编辑视频,实现场景、物体和风格的转换。
# Zo Computer | 你的个人 AI 云电脑 来源:[https://www.zo.computer/?twclid=27y41t572bcs3h1cg1x2ev2gas](https://www.zo.computer/?twclid=27y41t572bcs3h1cg1x2ev2gas) Zo[支持大多数文件格式](https://docs.zocomputer.com/files),包括笔记、电子表格、代码、Word 文档、音频和视频文件、图片、PDF 和电子书\. 如果某个文件无法直接在文件浏览器中编辑,你可以在聊天中要求 Zo 编辑或转换该文件\. 由于 Zo 拥有对电脑的完全访问权限