「真实场景重建」共找到 2425 篇相关文章
机器人看视频学操作！伯克利首次打通互联网视频到灵巧手真机部署链路
UC Berkeley团队提出端到端流程，跑通从网络视频生成真实灵巧手实机执行轨迹链路。解决了单目RGB视频手-物交互重建、带噪声参考轨迹动作重定向及遥操作规模化难题。还给出数据筛选要点。
比 Playwright 更给力，这个新开源的项目6啊~
GitHub上的BrowserAct项目是面向AI Agent的浏览器自动化CLI，是为AI Agent设计的真实浏览器执行层。它有三层反检测突破体系、三种浏览器模式等功能，能解决Agent操作浏览器的诸多问题，适合多场景。
Demo秀终结，机器人连干8小时不歇！智元定义「部署态」
4月17日智元合作伙伴大会上，智元创始人定义2026为「部署态」元年，即机器人在真实场景7×24小时自主干活。大会首提XYZ曲线产业发展框架，还发布七大生产力解决方案，展示四大新本体、六大AI模型等成果。
CVPR 2026 | 从视觉Token内在变化量出发，实现VLM无损加速1.87倍
随着高分辨率图像与长视频处理需求增长，大型视觉语言模型推理效率成瓶颈。V²Drop从视觉Token内在变化量出发，采用多阶段渐进式剪枝策略，实现无损加速，在图像和视频理解场景表现卓越。
Veo 3逼真脱口秀爆火全网，网友：彻底超越恐怖谷！Sora已被完爆
Veo 3生成的脱口秀视频全网爆火，人物、场景真实，声音和嘴型能对上，已超越恐怖谷。它或让人类进入‘模糊时代’，还会颠覆游戏、电影、广告等行业，未来AI生成内容或远超非AI内容。
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
半年销量2000万+，宇凡微如何让AI模块“飞入寻常百姓家”？
芯师爷专访宇凡微品牌部总监张雨，探讨AI模块商业化前景。宇凡微展出多款AI模块，接入豆包大模型，有自研SAS系统等优势。其通过技术、市场等层面建护城河，践行“技术平权，快速量产”理念，未来向全场景方案升级。
下周聊：当搜索成为标配，AI 产品都在怎么用搜索？
AI搜索成chatbot标配，产品接入后有新场景也有新问题，用户使用习惯也有变化。创业者需考虑产品初期是否及如何接入搜索。博查为AI供技术服务，下周四邀相关人士线上聊AI产品搜索应用，可扫码报名。
AI Agents和Agentic AI有什么区别？
论文《AI Agents vs. Agentic AI》深入探讨AI Agent和Agentic AI的本质差异。AI Agents是集成大模型和外部工具的单体系统，适合简单任务；Agentic AI是多智能体协作新范式，适合复杂场景。还提及挑战、解决方案与未来方向。
Codex自我蒸馏玩法火了！OpenAI员工亲授：复制粘贴就能让AI消灭重复劳动
OpenAI员工Vaibhav Srivastav爆出Codex「自我蒸馏」秘籍，复制提示词就能让它找出重复工作并打包。提示词从初版迭代到2.0版，覆盖更多场景且能直接创建项目。此外还介绍了Codex新功能及Vaibhav的其他玩法。