CoovallyAIHub

工业异常检测（IAD）从数据准备到模型训练，每一步都需要大量人工介入。现有的通用 Agent 框架（如 openHands、openManus）虽然能写代码，但缺乏工业视觉的领域知识，直接用于

导读 路面病害检测领域长期缺乏统一的大规模基准数据集，各研究使用不同数据源、标注格式和类别定义，导致模型间难以直接比较。 本文来自北达科他州立大学（NDSU）SMART Lab团队，构建了 PaveS

导读 将 LLM 智能体框架应用于无人机物理巡检是一个新兴方向，但不同推理方法在实际任务中的表现差异尚不清楚。 日立美国研发中心提出了一种分层智能体框架（Head Agent + Worker Age

导读 少样本异常检测（Few-Shot Anomaly Detection）是工业质检领域的核心需求——在仅有极少量正常样本的条件下，模型需要准确识别并定位缺陷。现有方法大多依赖CLIP等视觉-语言模

【导读】  自主无人机巡检风电叶片时，需要准确检测风机及其关键特征（叶尖、塔顶、轮毂等）来实现安全定位和避障。然而，现有方法依赖人工标注的真实图像，在天气、光照、风机型号等多样性方面受到限制。德国亚琛

论文速览 信息 内容 论文标题 MRAD: Zero-Shot Anomaly Detection with Memory-Driven Retrieval 作者 Chaoran Xu, Chengk

前一篇文章我们深度拆解了 nanobot——港大开源的超轻量 AI Agent 框架，4000 行代码平替 OpenClaw，一个月冲到 32K+ Star。 这篇是实战篇，用 nanobot + 通

一、这个项目到底是干嘛的？ 一句话概括：Nanobot 是一个超轻量级的开源个人 AI 助手框架，用不到 OpenClaw 1% 的代码量，实现了核心 Agent 能力。 你可以把它理解为——Open

这篇论文为什么值得读？ 695 GFLOPs vs 2 GFLOPs。 同一个裂缝分割任务，精度更高，计算量只有别人的 0.3%。 如果你做过工业视觉部署，你知道这意味着什么——一个原本只能跑在 A1