「视觉-语言-行动模型」共找到 1727 篇相关文章
Loop-ViT：让AI学会「反复思考」，3.8M参数小模型追平人类平均水平
香港科技大学等团队提出 Loop - ViT，将循环 Transformer 引入视觉推理领域。该模型参数少但性能强，3.8M 小版本追平人类平均水平，揭示视觉推理任务中‘思考时间’比‘模型大小’更重要。
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。
设计行业天塌了！Anthropic再推王炸产品Claude Design：设计稿、原型、PPT一句话搞定
Anthropic推出平台级产品Claude Design，用Claude Opus 4.7模型助力设计。它能让各类用户完成视觉内容创作，有多种使用场景和便捷工作流程，还给出内部设计师使用建议。
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%
小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%。它能完成输入视觉回答问题、做几何体等任务，重点解决多模态推理、视觉理解及与人类偏好对齐问题，介绍了模型结构、训练阶段等内容。
让代码接管世界演化，西湖大学发布Code视频世界模型
西湖大学研究团队提出 Code World Model，将‘世界如何演化’和‘世界如何被看见’拆成两个互补问题，由 Coding Agent 决定世界演化，代码执行规则，视频模型转化为视觉观察，有应用潜力。
从OpenAI AI Phone到Gemini on Android：AI手机时代需要怎样的Agent Harness？
过去一年，AI与手机关系被重新定义，腾讯混元等机构研究PhoneHarness，关注AI在手机上行动及任务完成验证问题。它让手机Agent行动不止GUI，还有Bench检验执行结果，推进AI手机基础设施建设。
「神经软件」正在到来，人类代码将失去意义！
Lambda Labs CEO Stephen Balaban 在英伟达 GTC 2025 提出神经软件概念，指不再写代码，让大语言模型成软件。它没传统软件的 bug 问题，未来计算机或端到端神经化，虽有争议，但变革在加速。
2026年必须搞懂的20个 Agent 工程概念（运行机制篇）：大白话一次讲清。
文章聚焦Agent工程运行机制，介绍20个核心概念。如Agent与ChatBot区别在于会‘做’；Harness是模型运行框架；Execution Model决定思考行动范式等，还给出各概念工程实践建议。
小扎又开源了：7B实现自监督学习SOTA
Meta发布全新开源视觉模型DINOv3，首次证明自监督学习模型能在广泛任务中超越弱监督学习模型。它用无标注方法，扩展数据和模型规模，支持标注稀缺场景，在多任务实现SOTA。
靠 AI起飞的千亿市值公司，如今要被AI“卷死”了？股价因GPT-5瞬间逆转、CEO亲承：我负有责任
语言学习平台 Duolingo 推行‘AI 优先’战略，虽遭反对但营收增长、股价上涨。不过 OpenAI 推出 GPT - 5 后，其股价急转直下，CEO 称对公众困惑负责，还被律所调查。