本文深入解析量化技术在 3D 渲染和机器学习中的应用，讲解均匀与非均匀量化原理，介绍 Draco 与 MeshOpt 网格压缩库，并扩展到 PyTorch、TensorFlow 等模型量化实践。

微信AI联合清华发布了CALM，从预测token转变为预测下一个向量。通过将持续多个token压缩为语义向量，使得生成的步骤变为原来的1/k，再性能相当的前提下，训练的计算量降低了44%，推理减少34

全景相机能够捕捉360°完整环境信息，在自动驾驶、机器人导航等领域有着广泛应用。然而，这种超广视野也给多目标跟踪（MOT）带来了前所未有的挑战：严重的图像畸变、分辨率不均匀、目标在画面边缘频繁切换导致

就在前不久DeepSeekOCR开源发布，大家在感叹其体积和速度的时候，LightOnOCR又给我们带来全新的效果，这款全新的视觉语言模型正在重新定义机器阅读和理解商业信息的方式。 LightOnOC

简单，是终极的复杂。——列奥纳多·达·芬奇 在工业质检、医疗诊断、安防监控等领域，异常检测一直扮演着至关重要的角色。然而，这个领域长期以来面临着一个核心痛点：方法碎片化。 想象一下，你的工厂需要检测2

多模态AI并非平等处理所有信息，其偏好暗藏玄机 近年来，视觉语言模型（VLMs）在多种任务上展现出了令人印象深刻的能力，它们能够同时理解图像和文本信息，完成复杂的推理任务。然而，当图像和文本信息相互矛

人工智能的前沿不再只是数据中心；它在于工厂车间、零售店、公共基础设施以及我们周围的智能设备。推动这一转变的是视觉语言模型（VLM），这是一个革命性的人工智能，可以解释和推理图像和视频。潜力巨大，但任何

“人火了是连毕业论文都要被翻出来的。”这条互联网定律再次应验——宇树科技CEO王兴兴的硕士毕业论文近日被网友们掘地三尺找了出来。 令人惊讶的是，这篇近十年前的论文不仅预示了如今机器人行业的技术路线转变

这篇名为《一致性模型》的论文提出了一类新的生成模型，能够一步到位地生成高质量图像，解决了扩散模型的主要瓶颈——采样过程慢、需要多次迭代。它的核心贡献在于证明了：在保持扩散模型强大表达能力和训练稳定性的

视觉语言模型是一类强大的机器学习模型，能够同时处理视觉（图像）和文本信息。随着最近 Qwen 3 VL 模型的发布，我想带大家深入探讨一下，如何利用这些强大的 VLM 来处理文档。 为什么你需要使用

系统拆解 DeepSeek-OCR 的“上下文光学压缩”思路：将长文本渲染为图片，以视觉 token 取代海量文本 token，显著降低长上下文成本。按数据流解析架构：SAM-base 局部注意提细节

开源16小时就登顶HuggingFace Trending全球第一！ 前不久，小编刚刚介绍了PaddleOCR开源最强OCR生态，不靠参数靠实力，56K+ Star见证实力（附开源地址），然而就在17

无需依赖真实标注，仅凭文字提示即可生成高质量3D场景 在自动驾驶、机器人导航等领域，3D场景的感知与生成一直是研究热点。然而，传统方法通常将这两个过程分离：生成模型仅仅作为数据增强工具，为下游感知任务

目标检测技术正以前所未有的速度重塑着我们的世界。从自动驾驶汽车在城市街道上自如穿梭，到智能工厂精准监控生产线，这项技术已成为无数AI应用的核心支柱。 随着Transformer架构和注意力机制的快速发

线性时间推理、超长文本处理、硬件高效利用，这条“算法巨蟒”正在悄然蜕变。 在AI领域，Transformer架构自2017年确立统治地位以来，各类“Transformer杀手”就如雨后春笋般涌现。在众

如果你看过体育比赛中带球员轨迹回放，或者见过自动驾驶汽车在车流中穿梭，那你已经见识过多目标跟踪（MOT）技术了。这项技术不仅能识别视频中的物体，还能随时间持续追踪它们，为每个目标分配独立ID——比如在

昨夜，黄仁勋又“炸场”了。 在 2025 年 10 月的 GTC 大会上，从量子计算到6G通信，从超级芯片到AI工厂，黄伟达在华盛顿勾勒出美国AI世纪的宏伟蓝图。 在黄仁勋GTC主题演讲结束后，英伟达

这篇论文主要做的是多传感器融合/视觉-惯性SLAM系统，提出了ORB-SLAM3，一个支持以下配置的开源SLAM系统，而不是基于深度学习的预测模型

今天凌晨，在夏威夷举行的国际计算机视觉大会ICCV 2025揭晓了本届会议的最佳论文等奖项。全球计算机视觉三大顶会之一的ICCV今年共收到11239份有效投稿，最终录用2699篇论文，录用率为24%。