理论

X-CLR：通过新型对比损失函数提升图像识别能力

译者 | 刘汪洋审校 | 重楼AI 驱动的图像识别技术正在改变各行各业，从医疗健康和安保，到自动驾驶汽车和零售业。这些系统能分析海量视觉数据，以惊人的准确度识别模式和物体。然而，传统图像识别模型面临着不少挑战：它们需要消耗大量计算资源，缺乏良好的扩展性，而且通常难以高效处理大型数据集。

3/12/2025 10:10:21 AM

刘汪洋

快慢双系统！清华&博世最新Chameleon：无需训练即可解决复杂道路拓扑（ICRA'25）

在自动驾驶技术中，车道拓扑提取是实现无地图导航的核心任务之一。它要求系统不仅能检测出车道和交通元素（如交通灯、标志），还要理解它们之间的复杂关系。例如，判断车辆是否可以左转进入某条车道，就需要综合考虑交通规则、车道布局和信号灯状态等多种因素。

3/12/2025 10:07:06 AM

自动驾驶之心

OpenAI深夜发布全新Agent工具：两大杀器登场，感觉可以手搓Manus了

可以自己动手手搓Manus了？刚刚OpenAI举行了一个19分钟的线上发布会，推出全新Agent工具，OpenAI直接祭出自研Agent SDK和Responses API两大杀器！旨在彻底简化agent开发流程，让开发者和企业都能轻松构建实用又可靠的智能体！

3/12/2025 10:00:44 AM

AI寒武纪

基于逐步生成解决方案的大语言模型（LLMs）训练范式在人工智能领域获得了广泛关注，并已发展成为行业内的主流方法之一。例如，OpenAI 在其「12 Days of OpenAI」直播系列的第二日推出了针对 O1 模型的强化微调（Reinforcement Fine-Tuning，RFT），进一步推动了 AI 定制化的发展[1]。 RFT/ReFT[2] 的一个关键组成部分是使用思维链（Chain-of-Thought，CoT）注释[3] 进行监督微调（Supervised Fine-Tuning，SFT）。

3/12/2025 9:48:19 AM

机器之心

18项任务200万视频编辑对，云天励飞联合多高校打造出大规模编辑数据集

目前的视频编辑算法主要分为两种：一种是利用 DDIM-Inversion 完成视频编辑，另一种是利用训练好的编辑模型。然而，前者在视频的一致性和文本对齐方面存在较大缺陷；后者由于缺乏高质量的视频编辑对，难以获得理想的编辑模型。为了解决视频编辑模型缺乏训练数据的问题，本文作者（来自香港中文大学、香港理工大学、清华大学等高校和云天励飞）提出了一个名为 Señorita-2M 的数据集。

3/12/2025 9:40:28 AM

机器之心

李飞飞全新「保姆」人形机器人，倒垃圾刷马桶家务全包！遥操只需Switch手柄

对人类来说轻而易举的事，对机器人来说很难。机器人能做家庭管家，照顾好一家人吗？要做「家庭管家」，机器人真正需要什么技能？

3/12/2025 8:54:46 AM

新智元

被Manus惊到了？OpenAI深夜发布Agent开发三剑客！开源一个新的SDK，现场手搓三个Agent！还抖了一个内部的料

出品 | 51CTO技术栈（微信号：blog51cto）“2025年将是Agent之年，这一年，ChatGPT和我们的开发工具将从仅仅回答问题，转变为真正为你在现实世界中做事。 ”上周Manus通用智能体的发布之后带火了Claude的MCP框架之后，OpenAI终于坐不住了，今天凌晨一点通过直播的形式，一口气把自己内部工程人员在用的Agent开发工具发布了出来。整体直播不长，只有20分钟，但足以让外界从OpenAI的视角来见识一番以全球最先进的基座模型来做出来的Agent的效果。

3/12/2025 7:56:29 AM

OpenAI 发布新工具，推动 AI 智能体从“回答问题”跨越到“执行任务”

IT之家 3 月 12 日消息，OpenAI 公司昨日（3 月 11 日）发布博文，面向开发者推出了一系列新的工具，帮助其创建 AI 智能体过程中，简化开发流程和增强智能体技能和功能。此次发布标志着 OpenAI 的 API 平台向更实用、更贴近现实世界的应用迈出了重要一步。 IT之家简要介绍下本次发布的新开发者工具：Responses API：该 API 结合了聊天功能与集成工具（如网页搜索和文件搜索），基于 ChatGPT 搜索模型，提供实时信息并附带引用来源，为开发者提供了更灵活的开发基础。

3/12/2025 7:52:59 AM

故渊

浅谈 AI 对数据库生态带来哪些影响

近期，AI（主要是大模型）大火，很多人也都非常关注。自己在尝试使用同时，也在思考AI会对数据库有哪些影响？这些影响可能会是全方面的，包括对人、公司、行业等等。

3/12/2025 7:35:59 AM

韩锋

为什么说JSON不一定是LLM结构化输出的最佳选择？

当要求大语言模型（LLM）输出结构化数据时，所采用的格式会对结果产生比较大的影响。本文对比了六种不同的格式，评估考察了它们的处理速度、tokens 消耗以及各自的限制。 1.简要说明JSON 虽然是多数人的首选，但它对 tokens 的消耗极大。

3/12/2025 6:55:00 AM

BaiHai IDP

Finer-CAM：让AI像‘找不同’一样精准捕捉细粒度特征！

一眼概览Finer-CAM 是一种改进的类激活映射（CAM）方法，能够精准定位区分视觉上相似类别的细粒度特征，在不增加计算复杂度的情况下，大幅提升可解释性。核心问题传统的 CAM 方法在细粒度分类任务中往往会高亮整个目标区域，而无法有效区分相似类别之间的细微差异。这导致模型的可解释性受限，难以识别用于决策的真正判别特征。

3/12/2025 3:00:00 AM

萍哥学AI

大模型全军覆没，中科院自动化所推出多图数学推理新基准 | CVPR 2025

挑战多图数学推理新基准，大模型直接全军覆没？事情是这样的。近日，中国科学院自动化研究所推出多图数学推理全新基准MV-MATH（该工作已被CVPR 2025录用），这是一个精心策划的多图数学推理数据集，旨在全面评估MLLM（多模态大语言模型）在多视觉场景中的数学推理能力。

3/11/2025 1:49:20 PM

量子位

阿里开源R1-Omni，DeepSeek同款RLVR首度结合全模态情感识别，网友：可解释性+多模态学习=下一代AI

首次将DeepSeek同款RLVR应用于全模态LLM，含视频的那种！眼睛一闭一睁，阿里通义实验室薄列峰团队又开卷了，哦是开源，R1-Omni来了。同样在杭州，这是在搞什么「开源双feng」（狗头保命）？

3/11/2025 1:47:10 PM

量子位

武大等发布大视觉模型最新安全综述：全面分类攻击策略、防御机制和评估方法

随着GPT-4o与Qwen-VL等模型的视觉理解和多模态生成能力逐渐打破众人认知，大型视觉语言模型（LVLMs）正以前所未有的速度重塑AI世界，这些能够理解视觉信息并生成自然语言响应的智能系统，已在医疗诊断、自动驾驶、金融风控等关键领域崭露头角。然而，当研究者仅用几百美元就能突破顶级模型的安全防线、简单的对抗噪声图片就能让模型输出危险内容，我们是否该感到担心？近期，武汉大学、中国科学技术大学和南洋理工大学的研究团队发布了一篇综述，系统性总结了LVLMs在安全性上的挑战，并提出了全面而系统的安全分类框架。

3/11/2025 1:44:24 PM

新智元