搜索：视觉-语言-行动模型

「视觉-语言-行动模型」共找到 1731 篇相关文章

社区供稿 | 阿里国际Ovis2.5重磅发布：以小博大，刷新开源模型性能新高度

阿里国际发布多模态大模型Ovis2.5，在OpenCompass综合得分提升，保持SOTA水平。它在原生分辨率视觉感知等三方面突破，有9B和2B两版本，代码、模型等资源已开源，技术原理涉及架构、训练与数据。

2025年AI行业有转变，算力堆叠对大语言模型性能提升放缓，空间智能成“第二战场”。谷歌、英伟达等巨头纷纷布局，群核科技作为杭州“变量”，发布业界首个3D室内空间大模型，构建数据飞轮，技术有望落地多领域。

基于20万微软Copilot使用数据的研究指出，AI能支持研究、写作和沟通任务，但无法完全胜任单一职业所有任务。Copilot执行任务多为解释型，写作和信息收集任务满意度高，语言和创作类职业受影响大。

Lenny播客邀请OpenAI的ChatGPT负责人Nick Turley对谈，他分享了ChatGPT从内部项目成长为7亿周活产品的过程，包括产品开发、增长、定价决策等，还阐述了成功原因、增长方法等，为AI创业者带来启发。

官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。

文章探讨AI如何像人一样思考与表达。早期自然语言处理受通用语法理论影响，但面对真实语言复杂性存在困难。人类经历第一次认知革命实现思维转变，AI也需足够大规模才能涌现复杂能力，“大”或是智能第一性原理。

阿里通义团队开源电影级视频生成模型Wan2.2，将光影、色彩、镜头语言装进模型，支持60多参数自由组合。它是业界首个用MoE架构的视频生成模型，推理省计算资源，性能超主流模型，获国外网友盛赞。

当前语言模型在复杂问答任务中存在校准退化问题，本文提出RLCR方法，将概率校准融入RL训练目标，重构奖励函数，在多个数据集实验中显著降低校准误差，不损失准确性，为高风险场景AI部署奠基。

单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。

作者2024年离开特赛发后创业，用积蓄和炒股所得作为本钱。项目避开大语言模型和视频生成，选教育领域做考研调剂志愿填报，用agent完成工作。产品销售不错，作者虽有心理波动但坚持，未来想尝试新领域。