纯视觉是需要认识障碍物，就要做大量的训练。如果数据不足够多，或者数据量非常大，但始终会有一些没见过的东西的时候，它可能是不认识的，那这种极端的、很小的Corner case（极端情况）就会带来风险。

就在刚刚，OpenAI 又宣布了一个好消息：他们正式在 API 中推出驱动 ChatGPT 多模态体验的原生模型 ——gpt-image-1，让开发者和企业能够轻松将高质量、专业级的图像生成功能直接集成到自己的工具和平台中。

近日，哈佛大学团队在PNAS上发表的一项研究，用180个「没有情感」的视觉机器（如深度神经网络）揭开了惊人真相：人类视觉诱发的情感反应中，超过50%的差异竟能被纯感知计算解释——换句话说，机器仅凭「看」图像的方式，就能精准预测我们的喜怒哀乐与审美偏好 ...

自回归模型，首次生成2048×2048分辨率图像！来自Meta、西北大学、新加坡国立大学等机构的研究人员，专门为多模态大语言模型（MLLMs）设计的TokenShuffle，显著减少了计算中的视觉Token数量，提升效率并支持高分辨率图像合成。

在急诊中，未知身份患者的识别颇具挑战。研究人员开展基于胸部 CT 的 MIP 图像的 CV 个人识别研究，分析 12465 例 CT 检查，识别率在 rank 1 达 98.67%。该研究为急诊身份识别提供新方法，助力获取患者病史。