「多视图输入」共找到 4263 篇相关文章
视觉+语言+动作！超强具身“训练宝典” EmbRACE-3K
视觉 - 语言模型在具身环境中表现有局限，港大推出 EmbRACE - 3K 数据集应对。它含 3000 多个任务、2.6 万个决策步骤，有细致多模态注释。团队用其微调 Qwen2.5 - VL - 7B 模型，还建立新基准评估多个模型。
单Agent时代结束，AI们开始组团上班
月之暗面发布并开源K2.6，重点升级代码能力与多Agent协作的“Agent集群”能力。K2.6在Artificial Analysis上取得全球开源第一，实测能并行交付多格式成果，还展现出强大的全栈应用开发能力。
ICLR 2026 Oral | 告别多步去噪！清华团队推出MVP，实现机器人动作单步极速生成
清华大学智能驾驶课题组 iDLab 与加州大学伯克利分校人工智能研究院 BAIR联合发表研究，提出 MVP 策略。它引入瞬时速度约束解决均值流学习问题，设计复合生成与选择机制，在多任务测试中表现出色。
腾讯智能体开源大动作！关键技术都拿出来了，开发平台还全面升级
在2025腾讯全球数字生态大会上，腾讯云智能体开发平台3.0（ADP3.0）面向全球上线，关键智能体技术将持续开源。新版本功能更新多，还有多个落地案例，如帮伊利、华住等落地智能体。腾讯优图实验室也有开源计划。
离开百川去创业！8 个人用 2 个多月肝出一款热门 Agent 产品，创始人：Agent 技术有些玄学
前百川工具链负责人徐文健离开百川后创业，和冯雷创立火星电波，推出AI播客产品ListenHub。团队搭建重品质，产品研发仅用两月多，虽获用户认可，但也面临质疑，公司计划出海，徐文健认为企业核心是组织和理念。
AI在实时视频里秒“剪”出你想要的部分！输入文字/图/视频片段，它都能秒懂｜ICCV2025
最新混合模态在线视频定位技术OVG - HQ开挂了！它能根据文字、图、视频片段等线索，在实时视频流中精准裁剪出关心的事件，已收录于ICCV2025，破局以往技术“离线”“词穷”缺陷。
不止Deep，更要Wide：清华、无问芯穹发布多智能体系统WideSeek-R1，4B模型比肩671B模型！
清华与无问芯穹的RLinf团队提出「广度扩展」，发布多智能体系统WideSeek-R1。它采用「Lead-agent-Subagent」框架，经MARL端到端训练，4B模型在广度搜索任务表现比肩671B模型，且在标准QA任务也出色。
微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！
2025 年大家致力于解决 AI「嘴巴」问题，追求实时流式对话。微软刚开源轻量级 TTS 模型 VibeVoice-Realtime - 0.5B，参数虽小但能边输入边朗读，有诸多特点和广泛应用场景。
Claude：转述
作者李继刚每日阅读包含书、经典文章和最新文章。最新文章信息量大，让人消化不良。为此需要一个Prompt，输入文章链接或文本，输出转述精华，还给出了转化原理、方向等内容。
NVIDIA开源“Banana”级黑科技！会懂物理、理解时间的图像编辑模型！
继谷歌Banana后，英伟达开源物理级图像编辑模型ChronoEdit - 14B，被称‘NVIDIA版的Banana’。它有‘时间观念’和‘物理常识’，能按描述生成符合物理规律图像，适用于多领域。