搜索：水下场景理解

「水下场景理解」共找到 2589 篇相关文章

32倍加速，58秒搞定720p视频！字节发布离散自回归框架，统一视觉生成和长视频生成

字节发布InfinityStar框架，将5秒720p视频生成时间从30多分钟缩至58秒，还支持多样任务。它基于对视频本质思考设计时空金字塔模型，将时空分离，通过多项技术优化，性能表现出色，不过也存在一些技术局限。

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。

10月25日，SGLang联合美团、亚马逊云科技在北京举办国内首场Meetup。SGLang是开源高性能推理引擎，特性丰富。活动中大咖和开发者分享见解、进展、应用场景，展现其社区活力与发展潜能。

华盛顿大学、索尼AI研究者在新论文中质疑机器人世界模型是否需想象精确未来画面。指出多数模型还原画面不适合决策，提出语义世界模型SWM，能预测未来语义信息，实验效果良好。

甲子光年智库发布《2025甲子cool vendor人形机器人大模型领域报告》。当前人形机器人产业迎来关键转折点，产业链层级完整，大模型解决落地难题，应用场景升级。报告还呈现了产业链现状与趋势。

OpenAI推出人工智能驱动的浏览器ChatGPT Atlas，集成对话式AI改变上网方式。它有随行聊天、浏览器记忆、代理模式三大核心功能，面向全球macOS用户上线，更高级功能对付费用户开放，还注重安全与用户控制。

Anthropic推出Claude for Life Sciences，全方位布局生命科学领域。它配备Skills功能，生物学测试表现提升，能解读图像、分析数据。还深度整合科研生态，应用场景广，获众多药企、学术机构青睐，还有AI for Science计划。

大语言模型输出的不确定性限制了AI智能体在企业场景的应用，本文总结控制生成式AI Agent不确定性的常见策略，涉及技术、应用设计、管理与治理层面，还推荐了相关作品。

Google Deepmind称在CV领域做出类似GPT-3的成果，Veo 3经大规模训练涌现通用视觉理解和推理能力，能以图片+提示词完成复杂视觉任务，还具备感知、建模等四大超能力。

2016年Hinton预言放射科医生五年内会被AI取代，如今近九年过去，美国放射科医生未被取代，平均年薪达52万美元成全美第二高薪医疗专业，岗位数创新高。AI替代受限，因实际性能、监管、作用范围等问题。