关键点检测

Gemini Robotics 2 是 Google DeepMind 发布的视觉-语言-动作（VLA）模型，将视觉与语言输入转换为机器人运动控制，可在双手机器人上数小时内完成适配，并扩展到复杂人形机器人的全身智能控制，实现精细灵巧操作与智能体推理。

Perceptron 是面向物理智能体的具身视觉推理模型，为真实世界连续视频流提供感知与推理层。模型接受文本、图像、视频输入，能以点、边界框、多边形和视频片段配合文本作答，支持跨时序推理、视频片段时间码定位、单样本目标检索、手势关键点估计与密集场景计数。开发者可通过 API 调用，企业可申请权重商业许可；Mk1.5 版本已于 2026 年 9 月 25 日上线 OpenRouter。

SenseNova-Vision是一款将计算机视觉统一为多模态生成的开源模型。该工具通过自然语言指令和可选视觉提示来定义任务与输出格式，以原生文本、图像或混合形式响应，可完成目标检测、图像分割、深度预测、表面法线估计、OCR识别、关键点检测、推理分割、交互式分割及多视角3D重建等任务。模型无需任务专用预测头或架构分支，通过统一的多模态生成空间同时覆盖结构化视觉理解、密集几何预测与多视角视觉几何，并提供可解析输出以适配标准评测基准