「视觉交互」共找到 1212 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。
Claude Code 5亿美元背后的AI工程革命
文章介绍了Claude Code的诞生故事、技术选型、开发流程等。它从听歌小工具变为年入5亿美元产品，90%代码自写，开发流程快，还重新设计终端交互。Anthropic团队各环节AI化，也有特殊条件，有些经验可借鉴。
高精度全身操控！从文本输入生成全身操控物体的动作
物体操控的整体动作生成是具广泛应用但极具挑战的任务，核心挑战在于手部与身体协调及关节式物体操控精度。香港大学提出协同扩散噪声优化框架CoDA，优化三个专用扩散模型，还采用BPS统一表示提高交互精度。
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。
Agent 原生开发时代到来，Google Cloud Next 26 给开发者带来了什么
Google Cloud Next 26 大会热度高涨，反映行业对 Agent 原生时代的关注。Google Cloud 展示了云产业从 Cloud Native 到 Agent Native 的三层同步转换，还推出一系列 Agent 开发和管理套件，解决开发者关键问题。此外，大会亮点 A2UI 解决交互层 Agent 化。
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。
3个月融资亿元，流形空间证明世界模型也需要预训练 | 甲子光年
2025年5月武伟创办流形空间，成立3个月获亿元融资。他认为VLA是过渡方案，世界模型是AGI新基建。当下技术分显式物理建模和隐空间交互两派，流形空间做具身世界模型，从预训练做起，还将领域模型产品化。
李建忠对话 KK 凯文.凯利：通用智能是个伪命题，AI 不应该模仿人类 | AI 进化论
CSDN策划的“AI进化论”直播栏目，超50万人观看。李建忠与凯文·凯利跨洋对谈，涉及人机交互、智能路线等十大话题。凯利观点犀利，如认为通用智能是伪命题，AI创造力是“异人”的，科技巨头难在AI时代保持主导等。
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。
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。