搜索：帧级动作控制

「帧级动作控制」共找到 754 篇相关文章

LeCun世界模型：48倍规划速度，单卡就能跑

Yann LeCun团队推出LeWorldModel世界模型，仅靠两条数学规则，让机器几小时学会物理运转逻辑，动作规划速度超同类48倍。它跳出复杂训练修补怪圈，单卡训练，在多环境测试表现出色，还展现对物理法则的深刻理解。

浙江大学ReLER团队开源ContextGen框架，攻克多实例图像生成中布局与身份协同控制难题。基于Diffusion Transformer架构，用双重注意力机制实现布局精准锚定与身份高保真隔离，在基准测试中超越开源SOTA模型，对标GPT - 4o等闭源系统。

UC伯克利大学副教授Sergey Levine提出，为何语言模型从预测下一词中学到很多，视频模型从预测下一帧却学得少。他指出LLM可“抄近路”模仿人类推理，像在“柏拉图洞穴”中，还探讨了AI走出困境的方法。

本文分析Claude Code好用的原因及如何复刻其体验。作者抓包分析其请求后给出要点，如可调试性优先、保持单一循环、LLM搜索优于RAG等，还阐述控制循环、提示词、工具等设计方法。

可灵推出全新多模态视频大模型可灵O1，融合多种视频生成与修改能力。实测显示，它能实现视频内容增删、特定内容修改、扣绿幕、动作迁移、风格更改等功能，虽有局限，但开启用嘴改视频新时代。

清华大学与EvoMap团队研究发现，给大模型提供详尽纠错Skill会使基准测试通过率下跌，而精简控制指令可提升性能。他们提出将程序化Skill转化为策略基因，经实验证实其更适合驱动智能体测试时演化。

R1问世一年，DeepSeek无新融资和商业化动作，但AGI成果不断。其母公司幻方量化去年赚50亿，为研发提供资金。对比靠融资和变现的OpenAI，DeepSeek坚守AGI初心，团队稳定，还让股民借其论文获利。

国产视频大模型Vidu Q3在国际权威AI基准测试机构Artificial Analysis的最新榜单里，于Video Arena冲到全球第二、国产第一。它是全球首个支持16秒音视频直出模型，声画同出、高清直出，还有镜头控制、多语言文字渲染等优势。

视觉 - 语言 - 动作（VLA）模型“观测 - 生成 - 执行”串行模式致交互卡顿，清华与联想合作提出StreamingVLA框架，引入两项技术实现并行处理，在测试中显著提升效率和流畅度，为VLA模型部署提供新方案。

中国科学院派披着羚羊皮的深圳云深处X30四足机器人混入可可西里藏羚羊群，观察其行为。该机器人装备多类传感器和定位系统，能实时传输数据，还可远程控制，此前也有不少用机器人研究动物的案例。