搜索：混元图像2.0模型

「混元图像2.0模型」共找到 9047 篇相关文章

The Batch: 969 | 谷歌的机器人模型有了腿

谷歌发布 Gemini Robotics 2（GR2），能将相机图像和文字指令转为机器人关节控制命令，可同时控制人形机器人腿、躯干、手臂和手部，简化模型训练和设计，不过谷歌未公布其基础模型等信息。

本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。

李飞飞团队开源核心技术Spark 2.0，可优化3D世界，让普通设备通过浏览器流畅访问交互。它有自动选细节、分批加载、优化存储三绝招，适配主流框架，有望改变与数字世界互动方式。

过去多模态模型‘拼接式’方案存在理解与生成割裂问题，ERNIE 5.0 借此提出，用统一自回归框架做多模态理解与生成，在架构、训练与系统层面有创新，评测中各模态能力表现出色。

作者在百度邀测会抢先体验Genflow 2.0，用其解决小学教改信息查询问题，还让它生成创意图片。它得益于“沧舟OS”，有流畅、并发且跨模态能力，架构全自研，测试版亮点多，值得期待8月正式上线。

Crossplane 开源项目发布 2.0 版本，将管理范围从云基础设施拓展到应用与基础设施协同编排。解决了基础设施与应用需分开管理的问题，新增应用支持，改进组合资源，采用命名空间优先设计，还引入新 Operation 类型。

当前具身智能落地面临泛化能力不足的挑战，蚂蚁灵波开源发布的基座模型 LingBot-VLA 带来突破。它基于大量真实世界数据预训练，在多项真机任务测试中超越 Pi0.5，且在架构、效率等方面有创新。

百度启动文库与网盘AI重构工程，8月18日GenFlow2.0发布。它生成的报告格式专业，能让用户实时干预任务运行，HTML在线报告交付体验好。其靠100多个专家Agent工作，构建了清晰产品层次和分层策略。

7月23日，“AI大神”李沐开源音频基础模型Higgs Audio v2，构建于Llama - 3.2 - 3B之上，预训练数据丰富。该模型在多个测评中成绩领先，有多种能力，李沐介绍其技术及训练方法。

宇树科技开源UnifoLM-WMA-0模型，用神经物理网络让机器人理解力学规律。它支持两种模式，融合多模态信息，架构精妙。经测试性能强，已真机部署。开源降低门槛，有望推动行业发展。