「视觉 - 语言智能体」共找到 4688 篇相关文章
给机器人一个会预测未来的Critic，VLA强化学习直接起飞
OpenMOSS团队开源的World Critic Model（WCM），解决了视觉 - 语言 - 动作模型强化学习（VLA - RL）中批评家模型（Critic Model）仅依赖单帧观测打分的问题。WCM让Critic学习预测执行动作后的潜在状态，代码等全开源，验证效果显著。
大模型外挂“三维物体知识库”来了，大幅增强机器人长程自主操作能力
现有视觉语言大模型（VLM）能让机器人理解指令，但在操作中缺三维空间知识。近日研究提出 RAM 框架，它像“三维物体知识库”，为 VLM 补充空间知识，经 14 项实验验证其操作能力，还探索了在铰接与柔性物体操作中的应用。
苹果不吹 AI，反而成功了？
北京时间9月10日苹果发布会，与iPhone 16发布时大肆宣传AI不同，此次重点在硬件及AI幕后支持。此前苹果对AI宣传过度致部分功能未推出引失望，且在智能体AI助手进展落后。多数人不因AI换机，给了苹果试错时间，但它在AI竞赛中落后，中国厂商布局更快。
阿里一口气发了N款新模型，让我们向源神致敬。
阿里云栖大会发布众多模型，有Qwen3 - Max、Wan2.5等。Qwen3 - Max对标顶尖模型；Wan2.5支持音画同出；Qwen3 - VL是强大视觉语言模型且已开源；Qwen3 - Omni是全模态模型。此外还有多个新模型，构建全场景生态。
王小川：医疗行业对大模型有三大刚性要求，但通用模型一条都不达标
5月22日百川智能展示医疗大模型Baichuan - M4与AI家庭医生「百小医」。王小川指出通用大模型用于医疗有问题，医疗对大模型有低幻觉、强循证、会提问的刚性要求，而通用模型不达标。Baichuan - M4表现出色，百小医也有独特定位和优势，且与三家顶尖医院合作成果显著。
小白也能看懂，一文彻底说清 MCP、A2A与AG-UI，大模型应用集成协议三件套。
文章面向有一定技术基础但不熟悉大模型应用开发的读者，通俗介绍MCP、A2A和AG - UI三大主流集成协议，分别解决不同的集成难题，三者构成大模型应用集成完整生态。
给 AI 建「流水线」，九章云极看清了什么？
AI产业竞争重心转变，当前缺智能生产度量基础设施。九章云极6月17日发布“AI工厂”战略及智算云3.0，构建从算力到智能的工程体系，试图填补空白，让智能生产可计量。
黄仁勋暴论核弹：AGI已经实现，Ilya错了，程序员有10亿
在Lex Fridman的专访中，黄仁勋抛出诸多惊人观点，如称已实现AGI，反驳Ilya“预训练触顶”言论，认为推理计算难且重要，还对未来技术、行业、职业发展等多方面进行展望。
五源袁野：理解AI创业的五个视角 ｜5Y View
文章是五源合伙人袁野在五源2025创始人年会演讲，从五视角审视AI时代创业变化，如技术范式切换、供给边界演进等，为理解AI创业带来启发，强调创新要敢于走新路。
开源项目 | 用自然语言做视频剪辑，人人都能用的 AI 视频剪辑工具
FireRed - OpenStoryline是开源AI视频剪辑智能体，理念是‘你说话，它剪片’。工作流程为‘理解→执行→输出’。具备智能素材搜索、文案生成等多项能力，适用于多场景，介绍了安装方式、优缺点。