「3D场景理解」共找到 4192 篇相关文章
人大-清华-腾讯发布：音频 - 视觉多模态任务统一框架
人大、清华和腾讯合作发布Crab论文，目标是实现多模态场景理解任务的高效一统。它针对音频 - 视觉理解模型难点提出解决方案，构建数据集、设计LoRA结构、统一架构，训练分预训练和指令调整两阶段。
3D VLA新范式！CVPR冠军方案BridgeVLA，真机性能提升32%
中科院自动化所提出BridgeVLA模型，将3D输入投影为2D图像并利用2D热图进行动作预测。它训练分两阶段，在多仿真基准和真机实验表现卓越，仅3条轨迹基础任务成功率达96.8%，真机性能提升32%。
新一代AI教师是什么样？学而思让它从L2「助手」跃迁至L3「老师」
在AI应用落地成关键的当下，教育成AI融合创新前沿。好未来CTO田密提出「AI教师L1 - L5分级」理论，指出当前AI老师达L2水平，L3正演进。学而思学习机的「小思AI一对一」迈向L3，依托硬件和自研大模型，结合优质内容，从可用走向可信。
实测惊艳全球的Veo3！音画同步无敌，贵是有原因的
谷歌开发者大会推出的Veo3模型，具备强大文本和图像转视频能力，首次实现视频与音频同步生成。实测中，它生成的视频音画效果惊艳，但也有翻车情况，谷歌还给出提示词编写指南。
2025 ToC AI产品：仅有3%用户愿意付费，29%的父母每天使用
Menlo Ventures发布《2025年消费级AI现状报告》，基于对5031名美国成年人调研，揭示AI使用图景。如61%美国成年人半年内用过AI，仅3%愿付费；29%父母每日用，是非父母群体1.9倍等，还指出未来六大趋势。
Google 发布 Gemini 3.1 Flash-Lite：每秒 363 tokens，百万 token 只要 $0.25
Google发布Gemini 3.1 Flash-Lite，输出速度达363 tokens/秒，比上一代快45%，首个token响应快2.5倍。价格降低，输入$0.25/百万tokens，输出$1.50/百万tokens。跑分不错，还有动态思考功能，支持多模态输入。
MIT给微型机器人做了颗芯片，功耗仅6毫瓦，能实时3D建图
麻省理工学院研究团队开发出名为 Gleanmer 的微型芯片，功耗仅 6 毫瓦，能实时生成三维占据地图。它解决了机器人导航核心问题，通过多项优化提升性能，或让小设备拥有空间理解能力。
OpenClaw带火AI记忆，DeepMind用混合记忆把3D重建拉到近2万帧
近期，全球爆火的 Agent 私人助手 OpenClaw 接连更新，其长期记忆能力获关注。谷歌 DeepMind 联合加州大学伯克利分校提出 LoGeR 架构，将 3D 重建扩展到极长序列，在多数据集上表现超越先前方法。
阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！
阿里通义团队上新 Qwen3-TTS 文本转语音模型，主打拟人语音表达、丰富音色体系与多语言多方言能力。有 49 种高保真音色，支持 10 种语言、9 种方言，还能智能调节语速和韵律。
ICLR神秘论文曝光！SAM3用「概念」看世界，重构视觉AI新范式
2023年Meta推出SAM，后SAM 2扩展到视频分割。近日，SAM 3现身ICLR 2026盲审论文，带来「基于概念的分割」新范式，强调按「语义概念」理解和分割图像，还构建数据引擎提升性能。