搜索：像素级视觉世界模型

「像素级视觉世界模型」共找到 1534 篇相关文章

谷歌向左、李飞飞往右，阿里世界模型「快乐生蚝」杀出第三条路

阿里推出世界模型HappyOyster（快乐生蚝），基于原生多模态架构，有漫游和导演两大核心功能，可实时构建和交互。与文生视频模型不同，它能随时被干预。虽世界模型尚处早期，但应用场景广泛。

2025年末，Qwen大模型技术负责人林俊旸转发谷歌DeepMind入选ICCV 2025的论文，指出视觉领域“GPT时刻”要来了。研究用实验数据证明，视频模型正跳出任务专属局限，实现一个模型完成多视觉任务，推理过程还能被CoF“演”出来。

Meta FAIR推出32B参数的代码世界模型（CWM），旨在探索世界模型如何改变代码生成和推理，code和mode已开源。在SWE - bench验证中表现优，能与更大规模或闭权重的LLM竞争，还介绍了训练、数据集等情况。

谷歌新发布Genie 3世界模型，能从文本生成交互式AI空间世界，操控图像和视频。用户可进入《苏格拉底之死》《夜游者》等名画探索，还能利用它训练3D模型，实现沉浸式体验。

今年4月，Generalist AI发布GEN - 1，其CEO表示不再将模型归类为VLA。当下VLA和世界模型是具身智能主流技术路线，多数世界模型在机器人任务上有瓶颈。跨维智能DexWorldModel在RoboTwin榜单表现出色，还开源EmbodiChain助力行业。

今天凌晨，Meta开源世界大模型V - JEPA 2，它用超大规模数据集训练，能让AI Agent理解物理世界。图灵奖得主杨立昆参与开发并推荐。模型经多方面改进，还拓展用于机器人规划和视频问答，效果良好。

穹彻智能发布世界动作模型 Noe - 0，全链路采用无本体采集数据。其数据来自真实环境，配合 World Action Model 架构和 AI - Native 数据基础设施，跑通从真实世界经验到机器人能力转化的完整链路，是具身智能的里程碑。

2023年斯坦福「AI小镇」火了，但后续类似项目世界多人工搭建、固定。独立开发者用10天婚假开发WorldX，输入一句话5分钟就能生成完整AI世界，还解决了让AI看懂自己生成图等难题。

空间推理是多模态大语言模型（MLLMs）应用关键挑战，当前‘语言描述式调优’让模型成‘视觉文盲’。多校联合提出MILO范式，结合视觉生成反馈与语言调优，还构建GeoGen数据集，经五大任务验证其有效。

北大文科博士刘耕带17个Agent，49天、5000元成本、30万行代码造出全球首个AI开放世界Elseland。其玩法、世界、创造都具开放性，刘耕逆风突围，开发效率大幅提升。