开源复现o3图像思考！快手让AI不再被动看图，模型自主生成代码调用工具
开源复现o3图像思考！快手让AI不再被动看图，模型自主生成代码调用工具在Openai 发布o3后，think with image功能得到了业界和学术界的广泛关注。
来自主题: AI技术研报
8205 点击 2025-08-21 15:25
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
在Openai 发布o3后，think with image功能得到了业界和学术界的广泛关注。
您可能已经在产品里放进了问答、总结、甚至自动报表模块，但表格一上来，体验就变味了，这不奇怪。表格是二维、带结构、还经常跨表跨文，和纯文本完全不一样；项目作者在《Tabular Data Understanding with LLMs》里把这件事掰开揉碎，从输入表示到任务版图，再到评测与未来方向都梳理清楚了。
近年来, 大语言模型 (LLM) 在数学、编程等 "有标准答案" 的任务上取得了突破性进展, 这背后离不开 "可验证奖励" (Reinforcement Learning with Verifiable Rewards, RLVR) 技术的加持。RLVR 依赖于参考信号, 即通过客观标准答案来验证模型响应的可靠性。
2025年7月21日，斯坦福大学学习加速器（Stanford Accelerator for Learning）发布名为《AI+学习差异：设计无边界的未来》（AI+ Learning Differences: Designing a Future with No Boundaries）白皮书，强调AI可以成为支持有学习差异的学生的有力工具，但前提是其开发要以他们的需求和意见为核心。
7 月 10 日，微软研究院 AI for Science 团队在《Science》杂志发表了题为「Scalable emulation of protein equilibrium ensembles with generative deep learning」的研究成果。
Deepseek 的 R1、OpenAI 的 o1/o3 等推理模型的出色表现充分展现了 RLVR（Reinforcement Learning with Verifiable Reward
视觉语言模型（VLM）正经历从「感知」到「认知」的关键跃迁。 当OpenAI的o3系列通过「图像思维」（Thinking with Images）让模型学会缩放、标记视觉区域时，我们看到了多模态交互的全新可能。
在人类的认知过程中，视觉思维（Visual Thinking）扮演着不可替代的核心角色，这一现象贯穿于各个专业领域和日常生活的方方面面。
2025年上半年，Agent成为大模型领域讨论最多的主题之一。
搅起波澜的 flowith 是个目前只有 10 人的年轻团队。生于 1996 年的创始人 Derek（倪正民）已是团队里最年长的；另外一位创始人 Zion（ 吴熠宸）生于 1998 年；最年轻的成员则是 00 后。