「图像到视频」共找到 3249 篇相关文章
中科院联合清华等发布视觉语言行动推理模型VLA-R1，让机器人先思考再行动
中科院自动化所、清华和GigaAI联合发布视觉 - 语言 - 行动模型VLA - R1，让机器人先思考再行动。它通过构建数据集教模型思维链，结合监督微调与强化学习提升性能，经多场景测试表现出色。
硅谷AI研发精英，每周需工作100小时
在中美争夺AGI“圣杯”进程中，顶尖AI研究员虽拿着高薪，但脑力劳动强度极高。《华尔街日报》披露，硅谷研究员和高管每周工作80到100小时成常态，这虽推动突破，也让从业者面临身心考验与人才流失风险。
拒绝小扎15亿美元offer的大佬，还是加入Meta了
曾拒绝小扎15亿美元薪酬包的机器学习大神Andrew Tulloch加入Meta。他此前在Meta工作11年，后到OpenAI，今年1月随前CTO创立公司，两个月前还拒绝Meta邀约，现入职具体工作未知。
5大维度、4类模态：LLM/Agent数据分析技术全景图
文章分享《LLM/Agent-as-Data-Analyst: A Survey》，上交大、清华、微软等将「LLM/Agent 当数据分析师」技术拆成 5 大设计维度与 4 类数据模态，给出 100+ 代表性方法等，还介绍不同数据类型的分析技术。
2.12页/秒，MinerU2.5太快了，1.2B硬刚腾讯、阿里
GPT - 4o等刷新OCR榜单，但产业界仍面临文档图像处理难题。MinerU2.5提出1.2B轻量级文档解析模型，采用创新解耦范式，在多基准测试表现出色，单卡吞吐快，还给出可借鉴创新点。
“分身术”来了！MANA创作者扶持计划带你走进MUMA Island的未来分身实验
文章介绍数字时代“分身术”，它是身份与叙事实验。从概念源流到技术支撑展开阐述，MUMA Island打造“三式分身”创作矩阵，MANA创作者扶持计划重视该项目，有前沿性、可复制性和社会价值，还公布活动信息。
阿里 Qoder 把这层 AI 编程的窗户纸捅破了
2025年大模型下沉到应用层，浏览器和编程工具被重新发明。阿里新发布的Agentic编程平台Qoder，增强对巨大代码工程理解能力和代码生成准确率，其上下文工程观是突破，新引入的Quest Mode很独特。
对话RoboScience邵林：VLOA大模型如何突破具身智能泛化瓶颈
本文对话RoboScience联合创始人邵林，探讨VLOA大模型突破具身智能泛化瓶颈。他介绍了模型优势、设计思路，对比VLA，还谈及范式、难点及落地场景等，强调以人中心、做有温度技术，重视模型落地。
AutoGLM 2.0 深度解析：云端智能体的技术跃进与现实挑战
2025 年 GUI Agent 赛道升温，多数产品依赖本地执行。智谱 AI 在 8 月 AutoGLM 2.0 闭门交流会上展示新路径，其由国产模型驱动，具多能力，在 Agent 云端执行架构、训练方式等方面有突破，也面临一些挑战。
写代码写出26亿身家、“淘宝第一个程序员”多隆离职后重出江湖，加入老同事创企，“杀入”AI赛道！
技术大牛多隆离开效力25年的阿里，于8月6日加入贝联珠贯，投身AI赛道。他曾是“淘宝第一个程序员”，一路走到阿里P11、成为合伙人，身家达26亿。此次他将和老同事毕玄用AI Agent改写运维服务格局。