「空间感知模型」共找到 8125 篇相关文章
BLIP3-o统一图像生成与理解，多模态融合趋势显现
BLIP3 - o致力于统一图像理解和生成，提升生成质量与效率。它融合自回归和扩散模型，采用CLIP + Flow Matching架构等。经训练，在图像理解和生成任务表现佳，指令微调效果显著。
斑马智行，开启汽车主动智能时代｜甲子光年
2025年WAIC上，斑马智行联合通义及高通，首发行业首个基于高通8397平台的端侧多模态大模型解决方案。该方案让智能座舱从“被动响应”到“主动感知”，还打通产业链，实现多方面适配。
Google封神，计算机视觉的GPT3时刻来了！
Google Deepmind称在CV领域做出类似GPT-3的成果，Veo 3经大规模训练涌现通用视觉理解和推理能力，能以图片+提示词完成复杂视觉任务，还具备感知、建模等四大超能力。
实时编辑、实时互动视频双旗舰，Vidu S2发布即体验
本文介绍生数科技推出的Vidu S2，专为实时交互编辑设计的AI视频模型，覆盖三类核心能力，公开技术路线，发布当天开放体验与API，迭代仅用69天。
小米AI语音新框架：人人都能当声音导演
小米大模型应用团队提出Midasheng - audio - generate与Xiaomi Any2Speech两大音频生成框架。前者可实现全场景声音重建，后者让AI学会理解声学空间与叙事逻辑，改变了语音合成应用场景与思路。
KV-Cache 实战策略：生产环境中的分页、固定与复用技术解析
在大语言模型推理场景中，KV - Cache 是平衡性能与成本的核心技术，但生产环境中面临诸多问题。本文聚焦其分页、固定与复用三大战术，结合原理、实践与案例，为开发者提供解决方案，还探讨了未来演进方向。
高精度全身操控！从文本输入生成全身操控物体的动作
物体操控的整体动作生成是具广泛应用但极具挑战的任务，核心挑战在于手部与身体协调及关节式物体操控精度。香港大学提出协同扩散噪声优化框架CoDA，优化三个专用扩散模型，还采用BPS统一表示提高交互精度。
豆包上可以体验 Seedance 2.0 了，我已经试了一下。
Seedance 2.0是字节自研视频生成模型，已接入豆包App、电脑端和网页版。支持文生视频、图生视频、分身视频等，动作自然、镜头连贯，生成质量高，还解决了创作者出镜难题，操作也简单。
刚刚，ChatGPT支持MCP了！一句Prompt即可全自动化
今天，OpenAI官宣ChatGPT的MCP功能上线，仅Plus和Pro用户可用。MCP可让AI模型等标准化交互，使ChatGPT自动化程度大幅提高。官方Demo展示其强大潜力，网友态度积极，但功能仍有改进空间。
阿里的 AI IDE 登场了，这事绝对有戏
阿里云正式发布通义灵码的AI原生IDE：Lingma IDE，免费开放，核心功能和Cursor对齐且速度更快。其整合Qwen、DeepSeek系列模型，有感知引擎等亮点，还有企业版适合国内公司。AI编程竞争激烈，阿里有机会做成。