「语义动作流」共找到 612 篇相关文章
陶大程技术博客首发：从像素复刻到行动控制，具身世界模型的底层逻辑探索｜甲子光年
今年世界模型成AI热点，通用世界模型追求像素逼真，具身世界模型不同，其使命是支撑行动。文章拆解具身世界模型底层逻辑，分享开悟世界模型的技术设计与实践思考。
清华&Qwen最新论文实证： VLM 智商与机器人操控能力“零相关”
清华和 Qwen 最新论文《VLM4VLA: Revisiting Vision - Language Models in Vision - Language - Action Models》测试 24 个 VLM 模型，构建极简 VLM4VLA 测试，发现 VLM 通用能力与机器人操控能力‘零相关’，还揭示视觉编码器短板。
Anthropic这两天真没闲着：上线网页版Claude Code，还让Claude搞科研
Anthropic推出Claude Code网页版，无需本地安装命令行工具，还提供Claude iOS应用预览版。其有并行处理多任务等亮点。此外，还发布Claude生命科学版，搭载Claude Sonnet 4.5模型，能助力科研。
OpenAI 即将发布 Agent Builder，类似扣子、Dify、n8n
据外网爆料，OpenAI 即将于 10 月 6 日 DevDay 发布 Agent Builder，它是工作流自动化工具，有拖拽式画布，能构建 Agent 工作流。对用 OpenAI API 的开发者等是福音，将延伸其平台能力。
凌晨战神Qwen又搞事情！新模型让图像编辑“哪里不对改哪里”
Qwen团队发布Qwen-Image-Edit，作为Qwen-Image20B图像编辑版，能精准修改文字，还可新增、消除、重绘、修改元素，支持IP编辑、视角切换等玩法，在多方面表现出色。
用视频存储文本的黑科技！
memvid-rs是memvid的Rust重实现，可将文本文档编码为视频二维码实现存储和检索。它有高性能、用TRUE机器学习等特点，兼容多格式、跨平台，无需安装，适合存档文本语料库等。
英伟达400亿押注开源，边卖铲子边挖矿
英伟达被曝砸60亿美元押注开源模型，向Poolside投资10亿美元并买其‘模型工厂’技术非独家使用权。它主张闭源开源两手抓，此前已发布系列开源模型、组建联盟，开源布局广泛。
苹果新论文发出惊人一问：What do your logits know?
苹果AI研究团队提交论文《你的logits知道些什么？（答案可能会让你惊讶！）》，触及大模型底层逻辑及苹果看重的用户隐私与数据安全。研究通过实验揭示模型信息留存状态，指出存在隐私泄露隐患。
VLA别再「走神」：即插即用提升视觉泛化，相对Pi0.5提升18%
至简动力、北大、港中文团队发现VLA模型深层动作预测对关键视觉区域依赖下降，提出DeepVision - VLA框架，在仿真和真实任务中效果显著，能有效提升视觉泛化能力。
Attention真的可靠吗？上海大学联合南开大学揭示多模态模型中一个被忽视的重要偏置问题
上海大学曾丹团队联合南开揭示Vision - Language Models中普遍的attention偏置问题，提出无需重训的去偏方法，在多模型、策略及基准上验证有效性，为多模态模型部署提供新思路。