搜索：实时视频世界模型

「实时视频世界模型」共找到 2017 篇相关文章

SOP：具身智能在线进化新范式，为大规模真实世界部署而生

智元机器人具身研究中心提出SOP在线后训练系统，将VLA后训练重构为“在线、集群、并行”，可即插即用后训练算法。它有高效探索、缓解偏移等优势，实验显示能提升性能、效率，突破VLA瓶颈。

AI圈刚过完圣诞就迎来王炸新闻，科技巨头Meta官宣收购爆火的智能体初创公司Manus。Manus今年3月推出全球首款通用AI智能体，表现亮眼。官方表示Manus会继续运营并扩展服务，创始人肖弘曾历经质疑，Meta对其团队赞誉有加。

清华朱军等团队提出多模态生成框架 UniCardio，在单扩散模型中实现心血管信号去噪、插补与跨模态生成。它采用扩散模型和 Transformer 架构，结合持续学习范式，实验表现优，有望用于多领域。

ChatGPT发布近36个月，哈萨比斯带领谷歌AI反攻，新发布的Gemini 3在多模型榜单登顶，表现优于GPT - 5。谷歌将其作为底层模型开放，增强现有产品，还考虑重启谷歌眼镜项目。谷歌正缩小与OpenAI差距，哈萨比斯预计5 - 10年实现AGI。

本文介绍开源项目ChatTutor，它是可视化互动式AI老师，能边说边画。有数学画布、思维导图等功能，未来将支持代码、物理等画布，可用于解题、备课等，已上线chattutor.app。

Transformer之父Llion Jones在TED AI大会上称要把对Transformer的爱好调成「低电量模式」。他认为大量资金与人才涌入使研究被「收窄」，大家只顾卷参数、抢发论文，没人探索新架构，他呼吁找回好奇心。

加州大学研究者提出自我进化的学术演讲智能体框架EvoPresent，它由四个智能体协作，核心美学模型PresAesth模拟人类审美判断。团队构建评测体系，实验显示其在内容与视觉设计上提升显著，让AI兼顾逻辑与美感。

面向自动驾驶的多模态大模型存在问题，FSDrive提出“时空视觉CoT”，让模型“以图思考”，联合未来场景与感知结果进行可视化推理。该方法在不改动原有MLLM架构前提下激活图像生成能力，实验表现出色。

论文一作李放等为解决传统方法在动态场景预测相机参数的难题，提出 ROS - Cam 方法，涵盖补丁式跟踪滤波器、异常值感知联合优化、双阶段训练策略，代码即将开源。

在AIGC领域，ComfyUI虽强大但节点复杂。阿里团队开源ComfyUI - Copilot，通过自然语言交互增强工作流自动化，有节点搜索、工作流构建等功能，简化操作，提升效率。