「视觉记忆」共找到 1169 篇相关文章
打破具身世界模型可执行性鸿沟 ！港中深-跨维智能团队提出EVA框架，用强化学习让视频世界模型真正“动”起来
近期，利用视频生成模型为机器人构建“世界模型”成热门路线，但存在“可执行性鸿沟”。港中深 - 跨维智能团队提出 EVA 框架，用强化学习优化视频生成，实验显示其能提升视觉规划、仿真任务成功率及真实部署稳定性，还有数据合成潜力。
给机器人一个会预测未来的Critic，VLA强化学习直接起飞
OpenMOSS团队开源的World Critic Model（WCM），解决了视觉 - 语言 - 动作模型强化学习（VLA - RL）中批评家模型（Critic Model）仅依赖单帧观测打分的问题。WCM让Critic学习预测执行动作后的潜在状态，代码等全开源，验证效果显著。
一个人+Claude+云服务，相当于一整个工程团队
网上两个实操演示被疯转，一是Google Cloud工程师用Claude配合Google云部署应用；二是Anthropic Claude团队教搭建带持久记忆的AI智能体。博主整理7天实操计划，将Claude变“全自动AI雇员”，还介绍多种AI雇员类型及成本。
准确回答视频细节！11B模型挑战视频理解「证据级」任务，开源可商用
近日，复旦大学邱锡鹏教授领衔的OpenMOSS团队联合模思智能开源11B参数的多模态视觉理解模型MOSS-VL。它能准确回答视频里可被验证的细节、时间、过程和空间关系，有六项证据级能力，架构设计独特，采用Apache2.0开源许可。
大模型外挂“三维物体知识库”来了，大幅增强机器人长程自主操作能力
现有视觉语言大模型（VLM）能让机器人理解指令，但在操作中缺三维空间知识。近日研究提出 RAM 框架，它像“三维物体知识库”，为 VLM 补充空间知识，经 14 项实验验证其操作能力，还探索了在铰接与柔性物体操作中的应用。
还在拼命加 GPU？AI 应用规模化的下半场，拼的是这五大软件“新基建”
文章指出 AI 应用规模化下半场，拼的是五大软件“新基建”。从云原生到 AI 原生，应用基础设施面临诸多挑战，如从代码中心到智能体管理等。作者提出构建智能体协作网格、认知记忆平台等五座技术灯塔，助力 AI 原生应用发展。
密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25
清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。
阿里一口气发了N款新模型，让我们向源神致敬。
阿里云栖大会发布众多模型，有Qwen3 - Max、Wan2.5等。Qwen3 - Max对标顶尖模型；Wan2.5支持音画同出；Qwen3 - VL是强大视觉语言模型且已开源；Qwen3 - Omni是全模态模型。此外还有多个新模型，构建全场景生态。
硅谷顶级团队闭门会，让Agent活下来的共识，95%的AI Agent都死了
旧金山AI技术大会上，企业大佬指出95%的AI Agent在生产环境中失败，活下来的5%符合5个共识，包括做好上下文选择系统、重视安全权限与用户信任、将记忆作为架构决策、多模型编排及合理运用对话与GUI等，还提及被低估的方向。