「端到端具身大模型」共找到 9084 篇相关文章
在向量数据库公司工作两年后，我学到的37个检索真相
Leonie在向量数据库公司工作两年后，分享37条信息检索经验，涵盖从BM25到RAG等多方面，涉及向量数据库、嵌入模型和向量搜索细节，勾勒技术演进图景，强调选合适工具找信息。
ICLR 2026｜滑铁卢大学联合可灵提出UniVideo：统一视频理解、生成、编辑多模态
滑铁卢大学与快手可灵团队提出 UniVideo，是支持视频理解、生成与编辑的多模态模型。它采用双流架构，结合 MLLM 与 MM - DiT 能力，统一 10 个多模态任务，在多项基准超现有方法，代码已开源。
6秒造一个「视频博主」，Pika让一切图片开口说话
8月11日，Pika推出“音频驱动表演模型”，允许用户上传音频结合静态图片生成高度同步视频，角色口型、表情、动作自然，平均6秒出720p高清视频，目前仅限iOS端且需邀请码。
京东AI一揽子开源！超多核心项目全开源，GitHub万star项目也有新进展了
京东系统性开源系列AI能力，从大模型到Agent等。JoyAgent 3.0升级，开源DataAgent和DCP模块；OxyGent多智能体框架让开发者自由组合。还有京医千询2.0等，意在推动AI在各行业落地。
语音分离最全综述来了！清华等团队深度分析200+文章，系统解析「鸡尾酒会问题」研究
清华等多校及字节跳动研究者全面调研语音分离领域，撰写综述论文，分析200余篇代表性论文。从问题定义、学习范式、模型架构等多维度展开，还探讨评估指标、数据集等，指出未来挑战与探索方向。
腾讯混元最新开源：一套RL框架打通多个模态，庞天宇团队新作
大语言模型的RL技术已成熟，但多模态生成模型的强化学习训练仍“各自为战”，制约AIGC模型能力上限。腾讯混元庞天宇团队开源UniRL框架，打通多模态RL后训练，覆盖多种模型，内置算法与奖励组件。
LaPha：你的Agent轨迹其实嵌入在一个Poincaré球？
经典强化学习动作空间离散有限，但语言模型动作空间几乎无限。上海科学智能研究院联合复旦大学提出LaPha，将智能体行为树映射到潜空间，构造密集奖励、剪枝等，在基准测试中效果显著。
让 AI 像真人一样操控手机完成各种复杂任务
MobiAgent是强大的移动端智能体系统，含智能体模型家族、加速框架、评测基准。能让AI像真人操控手机完成复杂任务，提供开箱即用App，内置经验检索模块可自动优化规划。
今天，好像见证了属于SD时代的消亡。
liblib宣布升级到2.0，作为国内最大SD生态开源社区，其转型宣告SD时代落幕。曾几何时，SD让普通人感受AI绘图魔力，如今技术迭代，AI绘图门槛降低，新模型受大众青睐。
再见，程序员！硅谷全员AI Coding，卡帕西宣告9级地震来了
2025年12月27日，Andrej Karpathy推文指出软件工程职业正被重塑，引发开发者恐慌。知名博主Theo称该领域已到永久性拐点，现在70% - 90%代码由AI生成，程序员角色将重构，还给出应对指南。