「像素级视觉世界模型」共找到 1534 篇相关文章
模拟大脑功能分化！北大与港中文发布Fast-in-Slow VLA，让“快行动”和“慢推理”统一协作
北大与港中文研究团队发布 Fast-in-Slow（FiS-VLA）全新双系统视觉 - 语言 - 动作模型，将快速执行模块嵌入预训练视觉 - 语言模型，实现快慢系统一体化。该模型在多平台表现优异，控制频率大幅领先。
智谱GLM-OCR，0.9B开源即巅峰，复杂文档精准解析
智谱发布并开源GLM - OCR，以0.9B轻量级参数在多项基准取得SOTA。它解决视觉感知难题，具备视觉编码与语言解码协作架构，还可端侧与高并发部署，成本低，推动文档智能化处理升级。
一年从3B卷到0.xB：MonkeyOCRv2用0.7B拿下17语种文档解析开源第一
文档OCR正迈入小模型时代，MonkeyOCRv2以0.7B、0.6B参数在MDPBench上超越3B模型。它重新分配系统职责，采用互补预训练目标，还开源训练数据，且迁移到多任务表现良好。
刚刚2岁的Llama，「爸妈」都跑了！小扎手拆Meta AI，LeCun保持独立
面对谷歌、OpenAI等劲敌及Llama 4翻车、人才流失困境，小扎决定重组Meta GenAI团队，设三大架构。2023年Llama首版论文14名作者只剩3人，Llama 4也问题不断，而LeCun坚持自己的路线。
姚顺雨现场颁奖，吉嘉铭、董冠霆等15位青年人才获腾讯「青云奖学金」
腾讯「青云奖学金」在深圳颁奖，首期选出 15 位获奖者，每人获 20 万现金和价值 30 万云异构算力资源。姚顺雨现身颁奖，获奖者有白雨石、陈俊松等青年 AI 学者，各有出色研究成果。
北京798多觉工场开幕首展·《觉：数字艺术在中国》
2026年6月，北京798多觉工场开幕，首展《觉：数字艺术在中国》同期亮相。这是全球首个以“多觉艺术”为核心理念的实体空间，汇聚27位艺术家50余件作品，涵盖多种媒介，让观众调动感官，实现“艺术平权”。
多模态BUG修复新SOTA：慕尼黑工大GUIRepair登上SWE-bench Multimodal榜单第一
自动化修复软件缺陷是长期目标，多模态问题修复受关注。慕尼黑工业大学团队提出GUIRepair，融合APR与GUI Testing知识，登上SWE - bench Multimodal榜单第一，为多模态软件自动修复开辟新路。
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
关于GPT-6 Astra的三条判断｜甲子光年
北京时间9月4日凌晨，OpenAI发布GPT-6 Astra，演示其多种能力。「甲子光年」判断：GUI没消亡，是软件兼容层；Astra会“吞噬”App入口；传统Benchmark难描述Agent，任务闭环成关键。
Sora 关停背后：为啥它没跑成“视频版 ChatGPT”？
OpenAI Sora 宣布关停，其评论区评价两极分化。它没跑成“视频版 ChatGPT”，问题在于使用频率、成本结构和产品形态。关停或与 OpenAI 筹备 IPO 有关，未来 Sora 团队将推进相关研究。