「点云视觉」共找到 1842 篇相关文章
视觉+语言+动作！超强具身“训练宝典” EmbRACE-3K
视觉 - 语言模型在具身环境中表现有局限，港大推出 EmbRACE - 3K 数据集应对。它含 3000 多个任务、2.6 万个决策步骤，有细致多模态注释。团队用其微调 Qwen2.5 - VL - 7B 模型，还建立新基准评估多个模型。
视觉生成的另一条路：Infinity 自回归架构的原理与实践
本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。
突发！曝阿里通义薄列峰离职，此前为应用视觉团队负责人
五一节后爆料阿里通义实验室应用视觉团队负责人薄列峰于4月30日离职。他曾带领团队做出爆款功能，现加入某互联网大厂。今年2月语音团队负责人鄢志杰也已离职，接替人选均成谜。
逆势降本：云上数据平台年复削减30%的治理实践
本文是朴朴科技对云上大数据平台成本治理的阶段性总结。其开展成本治理已三年，分“降本增效”三部曲：成本发现与分析、成本优化与控制、体系化治理构建，分享经验，助力同行开展相关工作。
视觉模型既懂语义，又能还原细节，南洋理工&商汤提出棱镜假说
南洋理工与商汤团队提出 Prism Hypothesis（棱镜假说）与 Unified Autoencoding（UAE）。论文指出视觉基础模型中语义理解和像素保真很难兼得，用频率谱统一视角解决冲突，UAE 实验效果良好。
拒绝「盲修」：JarvisEvo 如何让 Agent 像人类一样拥有「视觉反思」能力？
现有 Image Editing Agent 缺乏视觉反馈，易致「指令幻觉」和 Reward Hacking。JarvisEvo 应运而生，它通过 iMCoT、SEPO、On - Policy Reflection 等技术，结合 ArtEdit 数据集和三阶段训练，在修图上表现出色，意义超图像编辑。
云计算一哥首度牵手OpenAI，大模型「选择」自由，才是终极胜利
亚马逊云科技宣布通过两大平台支持OpenAI新开源模型，还上线Anthropic最新模型Claude Opus 4.1。其早有战略布局，两大平台汇聚400+模型，践行‘选择大于一切’理念，满足多样需求，打造AI生态。
1人1假期，肝完10年编程量！马斯克锐评：奇点来了
硅谷大佬新年收假分享编程Agent提效成果，Midjourney创始人假期编程量超过去10年，马斯克称进入奇点。多位工程师也有类似体验，Claude在编程方面表现出色，国产字节TRAE中国版SOLO全量免费开放。
Gemini 3“超前点映”效果炸场，巴菲特305亿重仓谷歌
Gemini 3还未正式发布，“超前点映”已亮相，网友实测其表现超强，能完成多种复杂任务。关注度火热，谷歌CEO还转发相关猜猜乐消息。同时，巴菲特305亿重仓谷歌，据传因提前体验Gemini 3。
内存直降50%，token需求少56%！用视觉方式处理长文本
在NeurIPS 2025论文中，南京理工大学等校研究团队提出VIST框架，为大语言模型长文本高效推理提供视觉解决方案。它模仿人类阅读机制，让模型具备选择性阅读能力，减少Token需求和内存使用。