先看后答：视觉基础后训练提升视频理解
深度2026年4月6日30 分钟阅读
最有趣的发现是：广泛使用的视频理解评测和后训练数据集中存在大量仅需文本即可回答的问题，这严重低估了视觉语言模型的实际视频理解需求。计算机视觉、多模态学习领域的研究者，以及关注模型评估方法的研究人员都应该阅读这篇论文。
觉得有用？分享给更多人
相关文章
作者用 Common Lisp 在 100 行代码内实现了一个 AI agent，核心循环仅 8 行。Agent 的唯一工具是 eval，它可以自行编写和运行代码，甚至通过 eval 定义新的工具函数（如 web search）。技能作为记忆存储在对话记录中，重启后可通过重读历史重新加载。
深度·7月12日·6 分钟
微软Agent Framework现在支持Go（公开预览版），提供工具调用、MCP支持和多代理协调等功能。Google的ADK已经在支持Go，而Anthropic和OpenAI的Agent SDK仍缺少Go官方支持。
深度The New Stack·7月11日·4 分钟