「视觉语言理解」共找到 2161 篇相关文章
Mira Murati 创业公司首发长文，尝试解决 LLM 推理的不确定性难题
OpenAI前CTO Mira Murati创立的Thinking Machines Lab首发文章《克服LLM推理中的不确定性》，指出大语言模型推理难获可复现结果，深入探究其不确定性根源，提出使核函数具备批次不变性的方法并给出实现与实验。
The Batch: 859 | Qwen3 的自主智能新进展
不到两周前 Kimi K2 超越其他开源非推理模型，如今阿里巴巴发布基于早期 Qwen3 - 235B - A22B 的三款新大语言模型权重，介绍了输入输出规格、架构设计、性能表现、使用方式等，还进行了性能对比。
Meta华人天才毕树超「叛逃」预言：OpenAI未竟交互革命，暗藏万亿赛道
Meta科学家毕树超在演讲中揭秘AI进化真突破，认为更好更快造数据是关键。他指出AI原生交互领域若有新突破，或催生万亿级公司，语音和视觉将成重要部分，还分享了AI进化时间线及面临的问题和未来图景。
杀疯了！单卡4090跑通全量微调，面壁1B级多模态性能怪兽硬刚大厂
面壁智能推出MiniCPM-V 4.6，参数约1B，性能和推理效率出色。它在多模态任务综合能力、推理速度上领先竞品，靠ViT架构改造和4倍/16倍混合视觉Token压缩实现创新，有工业验证，对开发者和普通用户意义大。
LeCun三顾茅庐，谢赛宁终于入伙！新公司获投10亿美元
图灵奖得主Yann LeCun创立的世界模型初创公司Advanced Machine Intelligence（AMI）宣布完成10.3亿美元种子轮融资，估值35亿美元。DiT作者谢赛宁加入任联合创始人兼CSO，CEO是Alex Lebrun。公司目标是打造理解现实世界的智能系统。
这个真人版《火影忍者》竟然是AI做的，来自中国AI视频新王者Vidu Q3
开年国产AI竞争激烈，AI视频生成圈新出全球首个支持16秒音视频直出的Vidu Q3。它能全自动生成，语言支持多语种，经权威认证排名中国第一、全球第二，可实现图生和文生音视频，提升了AI视频生成能力。
腾讯开源三大具身基座模型，首席科学家张正友详解“三层脑”如何破解机器人反应慢
WAIC 2026 期间，腾讯开源三款具身基座模型。首席科学家张正友称此前用 OpenClaW 调度机器人效果差，后设计 TairosAgent 框架。腾讯将具身智能拆成三层，配合具身智能体和框架构成完整矩阵，还解决语言信息不足等问题，并在工业和养老场景测试。
480P的元宇宙入口：Midjourney不是在做视频，是在造"任意门"
Midjourney发布首个视频模型Video V1，它只能图生视频，操作便捷。虽分辨率仅480P，但采样率高。生成成本低，会员就能用。其美学表现好、生成速度快，不过在提示词理解等方面较弱。该公司有独特愿景。
对话智源王仲远：具身智能“小组赛”才刚刚开打，机器人需要“安卓”而非 iOS
智源研究院院长王仲远在对话中指出大语言模型发展遇瓶颈，AI 需走向物理世界。智源推出“悟界”系列，试图打破具身智能“循环悖论”，做具身智能的“安卓”，还提出大小脑协同策略，认为具身智能“小组赛”未结束。
告别「利用率崩溃」：GIPO开启大模型强化学习高效训练新方法 | ICML 2026
树根科技与三一集团团队联合提出 GIPO 算法，在机器人操控及大语言/视觉动作模型强化学习训练中，缓解了策略滞后痛点，改善了 PPO 硬截断引发的‘利用率崩溃’问题。介绍了 GIPO 算法原理、优势及实验结果。