「视听场景理解」共找到 2628 篇相关文章
Figure人形机器人首秀灵巧手叠衣服！神经网络架构不变，只增加数据集就搞定
Figure人形机器人首秀用灵巧手叠衣服，在未改变神经网络架构、仅增加数据的情况下，让原本用于物流场景的它习得新技能，完成了端到端的操作，还实现自然多模态交互。
腾讯开源Stand-In！轻量级身份保留视频生成新突破
生成符合指定身份的高保真视频挑战大，现有方法依赖大参数且兼容性不足。腾讯开源轻量级、即插即用的Stand - In框架，在身份保留文本生成视频任务中性能先进，兼容性强，有广阔应用潜力。
DeepMind 没舍得开源的 Genie 3，被昆仑万维放出来了
过去一周世界模型赛道热度高涨，DeepMind发布的Genie 3未开源，昆仑万维却在8月12日推出自研升级版Matrix - Game 2.0并完整开源。它定位产业化，能让世界模型从实验室走向生产线，还带来盈利模式转变。
首批“数字员工”组团进大厂！7个岗位干爆KPI，提前锁定年度最佳企业级Agent
百度智能云发布7款数字员工，覆盖多岗位，能提升业绩。它们支持“开箱即用”，具备四大核心能力，采用“超强双脑”架构。数字员工可打破传统AI工具局限，真正成为企业生产力。
花了3天时间，万字长文一口气评测四大AI浏览器：Dia、Fellou、Comet、Edge。
作者花三天写万字长文评测Dia、Fellou、Comet、Edge四款AI浏览器。从用户体验、Agent能力、信息搜集与处理、跨标签理解和历史记录记忆等维度测评，指出各款优劣，为用户选择提供参考。
附部署代码｜云数据库RDS 全托管 Supabase服务：小白轻松搞定开发AI应用！
本文展示借助 RDS Supabase 搭建 AI 应用的全流程，对比传统开发，其在效率、成本、扩展性上优势显著。介绍 Supabase 特性、适用场景、核心能力，还给出基于它开发简易 Agentic RAG 应用的步骤。
北大-灵初重磅发布具身VLA全面综述！一文看清VLA技术路线与未来趋势
GPT-4o等多模态基础模型发展，让研究者探索将智能延伸到物理空间，VLA模型受关注。北大 - 灵初联合实验室从动作词元化视角提出新框架，分析主流action token，还介绍了VLA发展趋势及面临挑战。
AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab
上海人工智能实验室等团队设计REST框架，在一个prompt里抛多问题模拟复杂推理场景。结果显示，DeepSeek - R1等模型高压下性能大幅缩水，REST能拉开不同模型差距，还揭示评测方法局限。
5亿融资后清华具身团队首秀：55自由度拿捏360°大旋转，街舞叠衣服都在行，手速堪比电竞选手
这是星动L7机器人秀出的最新能力，打造者是清华叉院背景的星动纪元团队。不久前他们获近5亿新融资，此次新进展惊艳众人，该机器人全身多达55个自由度，创下多项纪录。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。