「像素级视觉世界模型」共找到 1540 篇相关文章
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。
陶哲轩说：AI 辅助数学证明，已经成了日常操作
世界顶级数学家陶哲轩解决 Erdős 经典问题时，全流程用 AI 做助手，从证明草案到简化证明，再到形式化验证。整个流程为人类提出猜想、AI 暴力证明、人类简化优化、AI 辅助形式化验证。
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。
真机RL！最强VLA模型π*0.6来了，机器人在办公室开起咖啡厅
美国具身智能创业公司PI发布最新机器人基础模型π*0.6，新方法大幅提升具身智能成功率与处理效率。其开发的Recap方法从经验数据获训练信号，使模型能执行多项真实世界应用。
“技术迭代速度是唯一护城河！”李彦宏把百度 AI 秀了个遍，还称芯片拿大部分钱的 AI 生态不健康
李彦宏在百度世界大会指出，AI产业结构正从‘正金字塔’向‘倒金字塔’转变，健康生态中应用应创造最大价值。百度展示多项成果，如数字人、AI搜索等，还发布文心大模型5.0和百度伐谋。
DeepAgent：能够自主找工具的深度思考智能体，工具&任务随心配
现有智能体框架自主性差、工具使用受限。中国人民大学等机构研究者提出DeepAgent，能自主思考、发现工具并执行动作。它在多基准测试中表现出色，为构建更强真实世界智能体迈进重要一步。
UC伯克利大牛预警：留给人类能干的活，只剩5年了！
UC伯克利教授Sergey Levine预言，2030年前机器人将进入真实世界，接手厨房、客厅等场景，甚至工厂、仓储和数据中心建设。其基于Robot Foundation Models等进展，认为‘自我进化飞轮’启动后不会停下，还会带来经济冲击。
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。