搜索：三维视觉语言模型

「三维视觉语言模型」共找到 1657 篇相关文章

AI的七窍打通了！谷歌发布Gemini Embedding 2原生多模态嵌入模型

谷歌发布Gemini Embedding 2新型基础架构，将文字、图像等数据整合到统一维度，终结旧工作流。该系统赋予机器五维感知，建立跨媒介沟通语言，提升运行效率，在多场景有应用潜力。

Luma AI推出全新图像模型Uni - 1，对标谷歌Nano Banana Pro和GPT Image 1.5。它是统一图像理解与生成模型，多项评测表现出色。背后是不到15人的华人团队，由DDIM之父和CVPR最佳论文作者带队。

硅谷小伙Michael上门安装开源软件OpenClaw年入百万，国内也有不少人靠此赚钱。但OpenClaw不包含语言模型，运行需接入外部模型付费，还有心跳机制烧钱，且存在隐私安全风险。

大语言模型发展中，上下文长度成关键瓶颈，主流架构计算开销大。清华刘知远团队提出《InfLLM-V2: Dense-Sparse Switchable Attention for Seamless Short-to-Long Adaptation》，提出可切换注意力框架，为长上下文研究提供新思路。

2025 年是 Agent 元年，语言等模型迭代催生应用新机会。「特工宇宙」与观猹团队合作推出 2025 AI 应用榜单，关注用户体验，列出如 Aivilization、Ima.copilot 等 10 个华人团队的 AI Native 产品。

光影焕像在 3D-AIGC 存储上，因三维模型数据量大、格式多，对存储要求高。经探索，从 NFS、GlusterFS 到最终选 JuiceFS，搭建统一存储平台，管理上亿文件，提升处理速度，简化运维。

当大家普遍认为解决长上下文问题要靠扩大模型上下文窗口时，MIT 最新的 RLM 论文提出新路径。其 code 已开源，能实现无界上下文处理，可让任意大语言模型处理 10 万 +token。

传统观点认为大型语言模型预训练应过滤“坏数据”，但论文《When Bad Data Leads to Good Models》提出反直觉观点，适度加入有毒数据，通过后训练技术可降低模型毒性，保持一般能力，挑战常规做法。

在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。

视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。