「流式人体动作生成」共找到 357 篇相关文章
陶大程技术博客首发：从像素复刻到行动控制，具身世界模型的底层逻辑探索｜甲子光年
今年世界模型成AI热点，通用世界模型追求像素逼真，具身世界模型不同，其使命是支撑行动。文章拆解具身世界模型底层逻辑，分享开悟世界模型的技术设计与实践思考。
有嘴就能用电脑的时代来了
作者分享语音输入体验，先自制工具，后用微信输入法，现用豆包输入法。指出语音输入对内容创作者等很重要，介绍豆包输入法优点，还提到语音输入成AI核心场景及使用建议。
清华&Qwen最新论文实证： VLM 智商与机器人操控能力“零相关”
清华和 Qwen 最新论文《VLM4VLA: Revisiting Vision - Language Models in Vision - Language - Action Models》测试 24 个 VLM 模型，构建极简 VLM4VLA 测试，发现 VLM 通用能力与机器人操控能力‘零相关’，还揭示视觉编码器短板。
Anthropic这两天真没闲着：上线网页版Claude Code，还让Claude搞科研
Anthropic推出Claude Code网页版，无需本地安装命令行工具，还提供Claude iOS应用预览版。其有并行处理多任务等亮点。此外，还发布Claude生命科学版，搭载Claude Sonnet 4.5模型，能助力科研。
OpenAI 即将发布 Agent Builder，类似扣子、Dify、n8n
据外网爆料，OpenAI 即将于 10 月 6 日 DevDay 发布 Agent Builder，它是工作流自动化工具，有拖拽式画布，能构建 Agent 工作流。对用 OpenAI API 的开发者等是福音，将延伸其平台能力。
英伟达400亿押注开源，边卖铲子边挖矿
英伟达被曝砸60亿美元押注开源模型，向Poolside投资10亿美元并买其‘模型工厂’技术非独家使用权。它主张闭源开源两手抓，此前已发布系列开源模型、组建联盟，开源布局广泛。
开源SOTA！商汤原生多模态一个大脑完成看图、推理、作画
商汤开源日日新SenseNova U1，用NEO - unify架构让像素和文字自由协作，多项指标达开源SOTA，适配10家国产芯片。它能完成看图、推理、作画等多任务，虽有局限，但后续优化值得期待。
谷歌向左、李飞飞往右，阿里世界模型「快乐生蚝」杀出第三条路
阿里推出世界模型HappyOyster（快乐生蚝），基于原生多模态架构，有漫游和导演两大核心功能，可实时构建和交互。与文生视频模型不同，它能随时被干预。虽世界模型尚处早期，但应用场景广泛。
VLA别再「走神」：即插即用提升视觉泛化，相对Pi0.5提升18%
至简动力、北大、港中文团队发现VLA模型深层动作预测对关键视觉区域依赖下降，提出DeepVision - VLA框架，在仿真和真实任务中效果显著，能有效提升视觉泛化能力。
谷歌也要「AI抖音」了！新Veo 3.1原生支持竖屏，4K分辨率高画质
谷歌Veo 3.1升级，全方位提升视频生成质量，新增竖屏和4K两大特性。它还提升创意、一致性和元素融合能力。谷歌借此进军AI短视频，结合自身优势推动“AI视频竖屏化”趋势。