「多模态视觉作品」共找到 1464 篇相关文章
GPT-5.2首发评测：大神深度体验两周，强到离谱，但慢得抓狂
为对抗谷歌的Gemini 3，OpenAI推出GPT - 5.2。大神Matt Shumer深度评测，指出其指令遵循、代码生成、视觉和长上下文等能力有提升，但速度慢。与Claude Opus 4.5、Gemini 3 Pro各有分工。
首帧的真正秘密被揭开了：视频生成模型竟然把它当成「记忆体」
UMD、USC、MIT研究团队发现视频生成模型会把首帧当作‘概念记忆体’，将视觉实体存于首帧并在后续复用。基于此提出轻量方法FFGo，用少量例子让模型实现SOTA级视频定制。
英伟达拿出推理版VLA：Alpamayo-R1让自动驾驶AI更会动脑子
当今自动驾驶模型虽强大，但在‘长尾场景’易翻车。英伟达推出的Alpamayo - R1是带推理能力的视觉 - 语言 - 行动模型，有核心创新，实验中性能显著提升，训练分三阶段，让自动驾驶迈向可解释。
探索文本压缩极限！C3纯文本压缩pipeline：20倍压缩解码准确率98%
DeepSeek团队的DeepSeek - OCR技术引发关注，研究者重新审视视觉压缩路径后提出C3技术。C3采用纯文本压缩管道，实验表明其压缩精度远超DeepSeek - OCR，还具独特遗忘模式，代码模型均已开源。
和快手聊了之后才知道，传统搜索早变天了
文章从工程师视角剖析现代搜索，指出传统搜索难适应多模态内容世界。快手推出 UniDex 和 UniSearch，前者变革搜索倒排，后者为统一生成式搜索架构，二者成快手新一代工业搜索‘双引擎’，有广阔应用前景。
具身智能一步踏入Scaling Law！10B+基础模型，27万小时真实数据
AI机器人创业公司Generalist推出新型具身基础模型GEN-0，参数量10B+，专为多模态训练构建。该模型展现强大Scaling Law，能力可扩展，有和谐推理等特性，在多方面有突破，成果备受赞誉。
腾讯混元世界模型1.1开源：单卡秒级重建3D世界成为现实
腾讯混元团队开源混元世界模型1.1，它是混元3D世界模型1.0升级版。新增多视图及视频输入，单卡可部署，秒级创造3D世界。有核心突破，能处理多任务，经训练策略优化，多测试表现佳。
Vision-Zero：零数据VLM自我进化！陈怡然团队提出零监督训练新范式
陈怡然团队提出零监督训练新范式Vision-Zero，在多模态任务表现突出。它借鉴自博弈技术，设计自博弈框架，解决数据稀缺和知识天花板问题，还缓解跨能力负迁移，开源代码与模型可供研究。
人形机器人终于学会洗碗了
Figure机器人学会洗碗，用的是叠毛巾和分包裹同款Helix架构，无新算法和特殊工程，仅增加新数据。该架构是端到端“视觉 - 语言 - 动作”模型，同一系统增数据就能学新技能。
首个3D动作游戏专用VLA模型，打黑神话&只狼超越人类玩家 | ICCV 2025
淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。