「视听场景理解」共找到 2620 篇相关文章
当大家都在“养龙虾”时，阿里把生态里最大的龙虾递到了千问手里
2026年1月千问App上线点外卖、订酒店机票等服务，起初有局限，后体验改善。千问又上线“一句话打车”，接入阿里丰富生活服务生态，有望成“任务操作系统”，推动软件交互变革。
西湖大学王东林团队论文：机器人需要“通古今，知未来”丨CVPR 2026
西湖大学王东林团队提出论文《HiF-VLA：Hindsight, Insight and Foresight for Vision-Language-Action Models》，介绍HiF-VLA模型，它以“运动”表达时间信息，实现稳定连续决策，性能提升且计算成本低，推动机器人从“看到就做”到“边想边做”。
对话越疆刘培超：春晚隐藏具身选手，却是百亿市值大玩家
今年春晚，越疆科技的六轴协作机器人亮相。创始人刘培超接受专访，披露组建具身智能团队细节。越疆科技目前市值161亿，刘培超以50亿财富登胡润百富榜。他分享创业历程、具身智能布局及对行业看法。
“无限可能”AI视频竞演第二阶段结果揭晓，11部作品入围深圳路演大会
3月8日，“无限可能”AI视频竞演完成二阶段评审，11部作品从50部入围作品中选出，晋级3月14日深圳路演大会。作品经“幻镜”AI视听测评季第三季测评，结果将现场公布。
AI竞争正酣，靠什么取胜？8个要点，一篇讲清楚
全球AI竞赛进入下半场，赛道转向‘谁更能干活’。我国有工业体系、应用场景和市场优势，取胜关键是‘通专融合’。文中提炼上海人工智能实验室周伯文长文8个要点，给出应对之策。
不止修bug：Agentic Coding评测走向复杂feature交付新阶段
中国科学院自动化研究所联合华为提出 FeatureBench，构建端到端基础设施并开源。它从单元测试出发构造评测任务，引入多种机制保障任务可执行、可验证，能有效区分模型能力，还提供易用的评测流程。
Google 发布 Gemini 3.1 Flash-Lite：每秒 363 tokens，百万 token 只要 $0.25
Google发布Gemini 3.1 Flash-Lite，输出速度达363 tokens/秒，比上一代快45%，首个token响应快2.5倍。价格降低，输入$0.25/百万tokens，输出$1.50/百万tokens。跑分不错，还有动态思考功能，支持多模态输入。
CUTLASS 笔记 (2)：混合精度 GEMM kernel
文章介绍实现支持不同精度的 GEMM 算子，解析精度转换技术细节，还介绍根据 PTX 文档实现自定义 FP8 精度的 GEMM kernel，包括揭开 MMA Atom 面纱、分析 TV 与 MN Layout 等，最后完成精度验证。
豆包 Seed 2.0 来了：字节模型跨越鸿沟
春节前字节发布豆包大模型 2.0，其在 Text 领域进入榜单前十，视觉能力全球第四且成本低。它定位多模态 Agent 模型，有多种能力升级，文中用多个案例展示其强大，还强调字节重原生能力非简单蒸馏。
破解机器人「慢半拍」难题：南洋理工解决VLA致命短板，动态世界断层领先
南洋理工大学NTU S-Lab团队提出DynamicVLA，解决主流VLA模型在动态场景下反应迟缓等问题。它从多层面设计，构建自动化数据体系和DOM Benchmark，在实验中多维度领先。