「视觉交互」共找到 1212 篇相关文章
解码提速15.1倍、多任务性能不降：复旦&引望WAM-Diff2打通自动驾驶VLA自回归—扩散转换
视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。
2亿多人开始和AI打电话，他们在聊什么？
2025年12月豆包月活达2.27亿，越来越多人与它语音通话。此前AI语音交互存在问题，豆包升级为全双工模型，体验更像打电话。作者实测其在不同场景表现出色，还分享使用技巧，并对比了和ChatGPT语音的优劣。
CES 2026趋势照进现实：算力引擎RK182X重塑千行百业，瑞芯微AI生态大会共建落地生态
CES2026推动AI走向现实应用，瑞芯微RK182X作为AIoT2.0算力引擎，在视觉语言和大语言模型表现卓越，支持Qwen3 - VL系列模型。它在音频体验、多领域赋能出色，瑞芯微还构建产业生态促场景落地。
发生在CES的六场对话：来自深圳的 AI 硬件“外卷”
2026年CES上，中国硬件力量涌向全球。虽有地缘政治摩擦、签证障碍，但全球市场仍看好中国AI硬件。大厂将边缘硬件定义为AI生态入口，初创公司从数据、场景、交互寻生存之道，机器人应用场景也更明确。
7 小时连续重构不掉线！一骑绝尘的Claude 终于遇到对手：Greg Brockman亲自解读AI编程重大突破
9月16日，OpenAI推出新模型GPT-5-Codex，专为AI辅助编程工具设计。它在代理编码基准测试中表现佳，形成了覆盖各种需求的交互界面，还具有更优的后训练特性，能连续工作7小时完成复杂重构。
开源的 V0/Lovable 替代方案Libra AI
Libra AI是面向生产环境的AI原生开发平台，可通过自然语言交互管理Web应用全生命周期。它功能丰富，如AI智能编码、集成开发体验等。其开源有技术自主、架构灵活等好处，还介绍了技术架构、上手方式与部署方案。
比RAG高出8.9%，百度TURA：让搜索引擎“动”起来的下一代AI Agent架构
现有检索增强生成（RAG）系统只能读取已索引的静态网页，无法满足用户需实时数据的问题。百度TURA用工具调用把RAG升级为动态交互，其核心分检索、规划、执行三步，已在百度亿级流量场景跑通。
VLA爆发！从美国RT-2到中国FiS-VLA，机器人「即知即行」的终极进化
2025年具身智能爆火，VLA模型成核心。从美国RT - 2到中国FiS - VLA，VLA硬核进化。谷歌、微软等有重要成果，中国智平方等企业也不断创新，FiS - VLA性能超现有方法，VLA正重塑机器人与人类交互未来。
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
万字总结：如何练就适配人形机器人的可靠「灵巧手」？｜GAIR Live
在具身智能崛起时，灵巧手成人工智能落地核心突破口。2025年5月25日相关线上沙龙中，嘉宾围绕灵巧手软硬件、数据与模型、落地应用等交流，探讨数据难题、开源价值、落地挑战及中美差距等。