「多模态推理大模型」共找到 8331 篇相关文章
RSS 2025｜物理驱动的世界模型PIN-WM：直接从视觉观测估计物理属性，可用于操作策略学习
国防科大、深圳大学、武汉大学团队提出物理驱动的世界模型PIN - WM，能从视觉观测辨识刚体物理属性。还提出PADC提升迁移性能，经实验验证其在非抓握式操作技能Sim2Real迁移中表现出色。
童年的滚球兽「走进」现实？华为天才少年创业，全球首个虚实融合的实时交互视频模型来了
Xmax AI 推出全球首个虚实融合实时交互视频模型 X1，通过手机摄像头实现虚拟与现实融合。它有四大玩法，操作简单。但面临多技术挑战，Xmax AI 团队实力强，给出硬核技术方案，愿景是让 AI 融入生活。
国内第一视角数据最早押注者，北大卢宗青：隐空间才是具身的路
北大卢宗青是国内第一视角数据最早押注者和隐空间路线推进者。他认为人类视频是具身智能唯一可规模化的数据路径，创立BeingBeyond走隐空间世界动作模型路线，成本低、推理快，还发布全球首个隐式触觉世界动作模型Being - H0.8。
姚班传奇陈立杰入职OpenAI！16岁保送清华，30岁拿下UC伯克利助理教授
最新消息称姚班大神陈立杰加盟OpenAI负责数学推理。他16岁保送清华，30岁成UC伯克利助理教授，长期从事理论计算机科学研究，近期聚焦扩散语言模型。
登上NeurIPS，Genesis开创无需OCC引导的多模态生成新范式，在视频与激光雷达指标上达到SOTA水平
华中科技大学与小米汽车提出多模态图像 - 点云联合生成框架Genesis，采用两阶段架构和DataCrafter模块。在nuScenes数据集实验显示，其在视频与激光雷达指标达SOTA水平，还提升了下游感知任务效果。
美团重磅开源！13.6B通用视频生成大模型，能文生视频、图生视频、还能续写！
AI视频生成竞争激烈，美团团队在GitHub开源通用视频生成模型LongCat-Video，参数量13.6B，能文生视频、图生视频、视频续写，几分钟生成720p、30fps长视频，有核心优势，还介绍了安装部署等内容。
24小时直播，只靠一张照片？虎牙实时多模态数字人VAM 1.0率先突围行业三堵墙
虎牙推出实时多模态数字人VAM 1.0，只需一张照片就能转化成能说会唱、可实时互动的数字人。它解决了AI数字人行业的时间、交互、部署三堵墙，稳定性、交互精度和响应速度表现出色，应用场景广泛。
10人创业团干翻行业“潜规则”！全员必须会AI、让跑大模型全程“裸奔”，谷歌老兵不烧钱创业
在AI创业浪潮中，谷歌老兵Bryan Zhou带领10人团队创立AnyInt平台。该平台定位AI Infra中间件，一个API对接所有模型，提倡“去中心化”，让用户付费，还在工程、安全等多方面优化，吸引开发者付费。
一次汇报，资源投入暴涨数十倍：快手大模型推荐以 1/12 成本突围，技术负责人亲历的革新故事
InfoQ 专访快手科技副总裁周国睿，他分享了快手大模型推荐技术投入挑战、决策过程等。如汇报后资源投入涨数十倍，以 1/12 成本突围。还阐述推荐系统变革、技术押注及未来推荐系统突破点等观点。
AI编程冲刺“DeepSeek时刻”：00后团队用国产模型一键直出复杂应用，效果超越Claude Code
云端Agent有新进展，重新定义AI编程范式。Vinsoo上新Beta 3.0版本，仅用国产大模型就超越一众流行AI编程产品。它解决了4个核心技术问题，还带来三重云端AI Agent新体验，其研发团队由00后主导。