OpenCV 直播演示 Roboflow Playground 探索视觉 AI 模型
OpenCV 于 2026 年 11 月 12 日举办直播,由 Piotr Skalski 带领观众实地体验 Roboflow Playground。该平台允许用户在自己的图像上运行并对比多种视觉语言模型的结果。此次演示旨在提供关于在本地图片上应用这些模型的实用操作指南。
OpenCV 于 2026 年 11 月 12 日举办直播,由 Piotr Skalski 带领观众实地体验 Roboflow Playground。该平台允许用户在自己的图像上运行并对比多种视觉语言模型的结果。此次演示旨在提供关于在本地图片上应用这些模型的实用操作指南。
OpenCV 于 11 月 5 日举办开发者专场,展示如何搭配 RealSense 深度相机、NVIDIA Jetson、ROS 2 及视觉语言模型构建机器人“视觉皮层”。现场基于 AgenticROS 演示了空间推理、自主导航、人形检测交互及自然语言控制等任务,并提供可运行的开源代码。
北欧地区凭借丰富可再生能源及严谨数据治理,正加速构建技术生态系统。NVIDIA 在该区域投资了 Lovable、Legora 等初创企业,并支持 Spotify、ABB Robotics 等利用 TensorRT-LLM、Omniverse 库及 DGX SuperPOD 部署 AI 应用。
Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。
推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。
工信部会同公安部等部门公开征求关于进一步加强汽车产品创新设计和研发测试验证有关管理工作的通知(征求意见稿)意见。公示期为 2026 年 10 月 10 日至 11 月 10 日,旨在提升安全技术性能并推动产业高质量发展。社会各界需在 11 月 10 日前将反馈发送至 [email protected]。
Google DeepMind 发布 EmbeddingGemma 2,这是一个基于 Gemma 4 架构的开源多模态嵌入模型,采用 Apache 2.0 许可。
推荐理由:DeepMind 发布 EmbeddingGemma 2,统一处理文本、代码、音视频的多模态嵌入模型,支持端侧推理与离线 RAG。
工业和信息化部于 2026 年 9 月 30 日至 10 月 29 日公开征求《智能网联汽车 供应链网络安全技术要求及试验方法》等 29 项推荐性国家标准计划项目意见。公示期间公众可登录“工业和信息化标准信息服务平台”反馈意见,联系电话为 010-64102958、68205241。
NVIDIA DLSS 5 推出 3D-Guided Neural Rendering 及细粒度控制,助游戏开发者在保留艺术意图的同时添加逼真光照与材质细节。文章还涵盖 NVIDIA ACE、RTX Mega Geometry 2.0 及 RTX Kit 在角色 AI、高密度几何与渲染工作流方面的更新。
OpenCV 5 推出内置的新推理引擎,支持动态形状与现代 ONNX 特性。本文提供完整的 Python 和 C++ 示例代码,演示如何在同一应用中加载 YOLO26 Nano 进行目标检测和 RF-DETR Seg Nano 进行实例分割。教程涵盖模型导出、预处理(Letterbox/直方图缩放)、ONNX 加载及后处理解码,并包含 CPU 性能对比与验证记录,帮助团队快速集成深度学习推理流程。
DeepMind 推出 Gemini 3.8 Flash 及专为可信防御者提供的 3.8 Flash Cyber,后者在内部基准中漏洞发现成功率超 70%,CWE-Bench 补丁 pass@1 达 47.2%。两款模型均基于相同核心智能,通过长周期智能循环迭代优化,在软件工程和关键多步推理领域显著提升性能且成本更低。
DepthAI v3.10.0 版本发布,新增基于特征匹配的图像拼接节点及通用消息对齐节点,支持 ImgFrame 等八类消息的保存与加载。该版本引入 ToF 去畸变功能、优化 NN 模型加载并将内存占用减半,同时修复了视频编码器参数校验等缺陷。
Google DeepMind 今日在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型中推出代理式视频理解(agentic video understanding)功能。
推荐理由:DeepMind 在 Gemini Flash 系列中引入代理式视频理解,通过动态检索与多模态分析显著降低长视频处理成本并提升精度。
OpenCV 联合亚马逊云科技(AWS)于 2026 年 8 月 13 日启动全球 AI 竞赛,旨在利用图像或视频分析解决医疗诊断、工业检测及自动驾驶等领域的实际问题。
Google DeepMind 发布多语言手语转文本(SL2T)模型,首次将其集成至 Pixel 11 的 Gboard 和 Live Transcribe 应用中,支持美国手语(ASL)到英语的实时翻译。
推荐理由:DeepMind 推出首个消费级手语转文本模型 SL2T,集成于 Pixel 11 Gboard 与 Live Transcribe,支持 ASL 到英语翻译。
Google DeepMind 正式发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 三款新模型。
推荐理由:DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 及 Cyber 版本,提供具体性能指标与定价以支持规模化 AI Agent 构建。
Google DeepMind 发布 Nano Banana 2 Lite(gemini-3.1-flash-lite-image)和 Gemini Omni Flash(gemini-omni-flash-preview)。
推荐理由:DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash,提供高速图像生成与视频编辑能力,支持开发者构建端到端多媒体工作流。
Google DeepMind 宣布 Gemini 3.5 Flash 模型原生集成了电脑使用功能,取代了此前独立的专用模型版本,使开发者能利用该模型构建能在浏览器、移动和桌面环境中感知、推理并执行操作的智能体。材料指出该功能旨在提升长周期和企业级自动化任务(如持续软件测试)的性能,并提供了针对提示注入风险的对抗训练及可选的企业安全防护系统。
推荐理由:原文宣布 Gemini 3.5 Flash 原生集成电脑使用能力,开发者可借此构建跨平台智能体以执行长周期自动化任务。
CVPR 2026 参会人数超万、论文提交达 16,092 篇且录用率仅 25%,多模态 AI 与自动驾驶研究显著增长。Torc 作为铂金奖牌赞助商,展示了 Freightliner Cascadia 卡车及 VR 演示,并发布了 TruckDrive 长距高速驾驶数据集。该会议标志着从感知中心向具备全 3D 世界理解能力的具身系统转变,Torc 正引领这一技术前沿。
由 Switch Science 组织的日本产业代表团访问奥比中光深圳总部,就三维视觉、机器人及 AI 感知技术交换意见。双方探讨了基于 Femto Mega 和 Gemini 2 等产品的开发者生态与市场机遇,并确认日本仍是奥比中光关键海外市场。
yourdfpy 依赖项在 v1.0.28 版本中被设为可选。该更新同时包含场景节点拖拽 API 的优化及 Firefox 点云着色器的修复。
DeepMind 推出 Gemini Omni Flash,该模型能结合图像、音频、视频和文本等多模态输入,基于真实世界知识生成高质量视频并通过对话进行编辑。首发面向全球 Google AI Plus/Pro/Ultra 订阅者及 YouTube Shorts 用户开放,后续将支持 API 与企业客户接入。
Viser v1.0.27 发布,新增 `SceneApi.add_arrows()` 绘制向量及实验性节点拖拽回调。界面层支持命令面板与表单提交事件,并优化了点云着色与图例显示效果。此次更新修复了 Python 3.8 WebSocket 连接错误及多个闭包 bug,同时标记部分功能为实验性以完善边缘情况处理。
Luxonis 发布 DepthAI Core v3.6.1,核心更新包括默认开启 AutoCalibration 并新增 IMU 校准功能,统一传感器输出格式。
推荐理由:深度相机核心库 v3.6.1 默认开启自动校准并支持 IMU,同时新增 YOLO26 与 NeuralDepth 模型以显著提升推理帧率。
DeepMind 正式发布 Gemini Robotics-ER 1.6 模型,该版本在空间推理、多视角理解及仪表读数能力上显著优于前代。新增的仪表读数功能允许机器人自主解读压力计和液位计等复杂工业设备,结合波士顿动力 Spot 机器人的实地需求开发。
推荐理由:DeepMind 发布 Gemini Robotics-ER 1.6,新增仪表读数能力并强化空间推理与多视角理解,开发者可通过 API 和 Colab 立即试用。
LeRobot 开源软件栈更新至 v0.5.1 版,修正了 SmolVLA 动作填充键及 pi0 系列策略的相对动作支持等关键问题。此次更新还引入了多任务扩散 Transformer 策略实现、HIL/Dagger 风格数据收集功能以及 LIBERO 与 Meta-World 基准集成指南。
Google DeepMind 推出新论文《Measuring Progress Toward AGI: A Cognitive Taxonomy》,提出包含感知、生成、记忆等 10 项关键能力的认知分类学,并建议三阶段评估协议以对标人类能力。
DepthAI v3.4.0 发布,新增语义与实例分割支持,RVC4 设备兼容 USB 协议并实现 IMX586 最高 480 FPS 高帧率。软件栈引入 Gate 节点控制流、XLink 数据包化及外部 FSync 同步,同时升级 Visualizer 至 2.0.10 以支持实时管线可视化。该版本已在 LuxonisOS 1.14.1、1.20.5 和 1.27.1 上完成集成测试。
OpenVLA v1.0.24 版本更新,由开发者 @brentyi 提交代码修复了 Gaussian splat shader 在处理对数深度缓冲区时的渲染问题。此次变更旨在优化视觉语言动作模型在特定深度表示下的着色器表现,确保相关功能正常运行。
该版本新增可配置场景雾效及自定义着色器支持,并引入更温和的自适应 DPR。修复了网格渲染中的对数深度缓冲问题,将阴影与颜色渲染整合至网格着色器,同时提供了通过名称获取句柄的新接口。
Google DeepMind 发布 Gemini 3 Deep Think 重大升级版本,该专用推理模式在数学、编程竞赛及国际物理与化学奥赛基准上达到金牌水平,并能将草图转化为可 3D 打印的物理对象。此次更新不仅面向 Google AI Ultra 订阅者开放应用内使用,首次也通过 Gemini API 向研究人员和企业合作伙伴提供早期访问权限。
推荐理由:Deep Think 模式升级,新增通过 Gemini API 的早期访问权限,支持从草图生成 3D 打印文件及复杂科学推理。
OpenVLA 模型软件栈版本 v1.0.20 更新,主要变更包括恢复初始相机视场(FOV)以及通过 @brentyi 提交禁用了非预期的动画效果。此次更新旨在修正视觉输入范围并消除不必要的动作干扰,确保机器人控制策略的稳定性。相关代码与变更日志已在 GitHub Releases 渠道公开提供。
该研究提出一种基于信息论的框架,利用仅含噪声测量的统计特性直接量化成像系统的信息含量,统一了分辨率、噪声等指标。在摄影、射电天文、无透镜成像和显微成像四个领域验证了其预测下游任务性能的能力。提出的 IDEAL 方法通过梯度上升优化编码器参数,无需训练解码器网络即可达到端到端优化的效果,降低了显存需求与计算复杂度。代码已开源。
Google DeepMind 即日起在 Gemini App 引入 SynthID 数字水印技术,允许用户直接上传图片询问是否由 Google AI 生成或编辑。该技术自 2023 年推出以来已对超 200 亿件内容打标,并正与 C2PA 联盟合作,本周起为 Nano Banana Pro(Gemini 3 Pro Image)生成的图像嵌入 C2PA 元数据以增强透明度。
DeepMind 发布新研究,指出当前视觉模型在组织视觉信息时与人类存在系统性偏差,导致其在“找不同”等认知任务中表现不佳。团队提出一种三步对齐方法:先利用少量人类判断数据微调小型适配器构建教师模型,再基于该教师生成百万级合成数据集,最后用此数据对预训练模型进行全量微调以重构内部表征。
推荐理由:DeepMind 发布新论文,提出三步法将视觉模型内部表征与人类概念层级对齐,显著提升认知任务表现及鲁棒性。
Google DeepMind 发布了用于预测森林砍伐风险的基准数据集,该模型基于纯卫星输入和视觉 Transformer 架构,分辨率达 30 米。同时推出了新的 AI 驱动方法以生成地球物种分布图,并更新了生物声学分类器 Perch 2.0 作为基础模型供生态学家适配使用。
该版本通过防御性数组读取机制,有效阻止了因无效属性更新引发的程序崩溃问题。此次更新旨在提升软件栈在动态数据交互场景下的鲁棒性与稳定性。
Viser Releases 频道发布 v1.0.14 版本,主要更新 Python 3.14 支持并清理依赖。该版本修复了触摸屏上的轨道准星无法保持、实例化网格的视锥剔除伪象以及批量网格增加实例数时的颜色广播错误。
开源项目 v1.0.13 版本更新,将前端框架 Mantine 从旧版 bump 至 ^8.3.0。此次变更由开发者 @brentyi 提交,完整变更日志详见 Full Changelog。
DepthAI v3.0.0 正式从候选版发布,核心 API 已简化统一,移除废弃函数。Camera 节点整合了多平台支持,ImageManip 增加确定性操作追踪。
推荐理由:DepthAI v3.0.0 正式发布,统一了 API 并新增 RGBD、VSLAM 及动态校准节点,支持 RVC4 设备与主机自定义逻辑。
Drake v1.38.0 发布,统一所有平台的 setup/install_prereqs 脚本并支持 Ubuntu 本地编译 BLAS/LAPACK。系统从仓库规则迁移至 Bazel 模块,macOS 预装 Python 包改为虚拟环境且不再使用 brew 安装依赖。