搜索：视觉-语言-行动模型

「视觉-语言-行动模型」共找到 1727 篇相关文章

李飞飞World Labs双模齐发，能「造」超复杂大场景，一手实测

李飞飞的 World Labs 推出 Marble 1.1 和 Marble 1.1-Plus 两款模型。Marble 1.1 提升视觉效果，Marble 1.1-Plus 能生成更大更复杂场景。官方建议初用选 Marble 1.1，创建大场景用 1.1-Plus，还给出了实测和网友案例。

研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。

多模态大模型研发中，行业认为无图文对就无多模态能力。但ReVision研究表明，预训练阶段昂贵配对关系非必需，利用非配对数据统计信息修正文本表征，能实现跨模态互换，降低成本。

2026年开年，AI进化成“行动式智能体”，带来便利的同时，也引发恐慌，传统安全思维失效。江苏通付盾提出前瞻性智能体安全框架，已在“大群空间”多智能体协同平台落地。

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

依图科技总裁段爱国在朋友圈宣布离开，已获公司同意。他2023年10月加入，任职时依图业务收缩、战略聚焦。此前他是华为机器视觉总裁，推动依图多领域发展。此次变动或暗示依图困境。

黑森林实验室发布开源的FLUX.2 Klein模型家族，是紧凑架构，将高质量图像生成与编辑速度压缩至亚秒级，在消费级显卡实现旗舰性能。其统一架构打破生成与编辑壁垒，还与NVIDIA合作优化。

今天给大家安利GitHub上开源神器Voice - Pro，它原本是商业付费软件，因团队无暇管理而开源。整合多个先进语音模型，将视频处理流程打包成本地软件，免费且功能强大。

多模态大语言模型发展下，GUI Grounding任务是难题，现有RLVR方法有瓶颈。浙江大学等团队提出AEPO框架，推出InfiGUI - G1系列模型，小参数量刷新GUI基准测试SOTA，代码已开源。

OpenAI科学家姚顺雨入职腾讯，任首席AI科学家，兼AI Infra部、大语言模型部负责人。他是清华姚班学霸，研究智能体成果多，还曾提出AI进入‘下半场’，评测将更重要的观点。