搜索：视觉 - 触觉融合

「视觉 - 触觉融合」共找到 1160 篇相关文章

打破视频推理「先看后想」惯性，实现真正的「边看边想」丨CVPR'26

现有大型视觉语言模型（VLM）在实时场景表现不佳，宁波东方理工大学沈晓宇团队提出TaYS，让VLM从“帧文交错”切换到“并行”，实现“边看边想”，在准确性和延迟上表现出色，推动VLM走向更真实应用。

本文对话 Seede AI 创始人 Longyi，探讨 AI 设计产品发展。Seede AI 主打将原始素材转化为可交付设计稿，易上手、受众广。创始人认为不转向 AI - Native 没救，产品已跑通 PMF，目标是帮人类理解 Agent 产出内容。

清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。

昆仑万维推出天工Skywork桌面版，专为Windows打造，能调用Claude和Gemini。实测显示，它可高效分类文件夹、提取图片、生成报告等。相比Claude Cowork，其在生态、视觉、模型等方面有优势，还降低了办公门槛。

北邮、北大等团队提出 AV-NAS，在多模态视频哈希领域引入 NAS，构建含 Transformer 与 Mamba 的统一搜索空间。该方法能自动发现最优跨模态融合机制，揭示音频时序建模中“CNN + FFN”结构更优，代码已开源。

通义万相新年前发布Qwen - Image - 2512版本。它是开源界最强文生图模型，在AI Arena盲测中表现出色。能消除AI塑料感，攻克文字渲染难题，在还原真实世界和重构视觉元素逻辑排版上有显著提升。

3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。

GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。

随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。

12月快手旗下可灵发布全球首个统一多模态视频大模型Kling O1，标志AI视频进入“全流程语义控制时代”。它将多种视频创作能力统一，有全能引擎等五大亮点，性能对比优势明显，让AI视频生成更可控。