搜索：多模态强化学习

「多模态强化学习」共找到 2302 篇相关文章

行业新突破：行为基础模型可实现高效的人形机器人全身控制

该综述聚焦行为基础模型（BFM）在人形机器人全身控制中的应用，梳理进展并分类算法，介绍应用与限制，还探讨未来研究机会与风险，有望引导该领域研究者和从业者。

英伟达CEO黄仁勋访华期间，在高密度采访交流中对中国公司、技术赞不绝口。他夸雷军和小米，评蔚小理、华为、DeepSeek等，还看好中国大模型、机器人等领域，此外也谈及英伟达合作、AI发展等问题。

NLP领域先驱、斯坦福教授克里斯托弗・曼宁从斯坦福休假，加入AIX Ventures任普通合伙人。他是将深度学习用于NLP的早期领军者，著作、课程影响大，此次转型将助力AI初创公司发展。

如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。

Google DeepMind团队开发的DataRater可全自动评估数据质量，用元学习筛选有价值数据，提升模型训练效率。它能减少计算量、提高性能，在低质量数据集效果佳，还能跨模型规模泛化。

Keller Jordan 2024 年 12 月 8 日发布博客提出用于神经网络隐藏层的优化器 Muon，能提升训练速度。他未发论文，称只信速通。其案例显示 OpenAI 重能力。博客对前沿指标描述或过时，Muon 有诸多实证成果。

科大讯飞围绕智能交互场景，对AIUI、机器人超脑等4大平台全面升级。其AIUI以大模型为引擎，有儿童专属交互方案，还推出智能眼镜“三麦阵列”等，各平台在多领域应用成果显著。

MetaAgentX团队推出Open CaptchaWorld平台，用于测试Agent解验证码能力。实测SOTA多模态模型成功率低，如GPT - 4o也被难住。该平台特点多样，揭示了当前Agent短板及模型设计新方向。

谷歌AI Studio实时视频对话支持中文，有Gemini 2.5 Flash原生视频对话模型。使用方便，还提供多种音色，有让模型在无声时发音视频等功能，可用于设计、学习、修电脑等场景。

本文是从零训练 YOLOv8 模型的完整实录，介绍了 YOLOv8 特点，以“识别猫”为例，详述训练步骤，指出训练难点，还推荐学习资源与工具，鼓励前端程序员尝试做 AI 模型训练。