「混元世界模型1.5」共找到 9361 篇相关文章
港大联合字节跳动提出JoVA: 一种基于联合自注意力的视频-音频联合生成模型
香港大学联合字节跳动提出视频 - 音频联合生成框架 JoVA，支持音视频 Token 跨模态交互，引入嘴部区域特定损失解决口型同步问题。实验显示，它用约 190 万条数据就达先进水平。
机器人是具身大模型的「用户」：超维动力如何打通从人类经验到机器人行动？
今年WAIC，超维动力展台的乒乓球桌和双臂机器人开易拉罐演示吸引关注。其机器人90%经验来自人类第一视角数据，超维动力全栈布局，试图打通人类经验到机器人行动链路，目标是建立机器人持续进化方式。
谷歌之后，英伟达入局扩散大语言模型，Fast-dLLM推理速度狂飙27.6倍
大语言模型领域，推理效率制约实际应用。谷歌Gemini diffusion曾展扩散模型并行潜力，但开源扩散LLM推理慢。近日，NVIDIA等推出Fast - dLLM，无需训练即插即用，推理速度狂飙27.6倍，兼顾速度与精度。
天下苦VAE久矣：阿里高德提出像素空间生成模型训练范式, 彻底告别VAE依赖
当前主流图像生成技术训练范式依赖VAE，带来训练复杂、微调成本高的问题。阿里高德提出EPG，结合自监督预训练与端到端微调，去除对VAE依赖，在训练效率和生成效果上有突破。
首发 | 捏 Ta 完成超千万美金 PreA+ 轮融资，定义 AI 时代世界创作的基础设施
近日，AI原生社区捏Ta宣布完成超千万美金的Pre A+轮融资，由九坤创投领投，BV百度风投跟投等。此轮融资用于招人才、技术研发和拓展产品线。平台从创作角色升级到构建世界，定义‘世界表达协议层’。
图像编辑太慢太粗糙？全新开源自回归模型实现精准秒级修改 | 智象未来
AI图像编辑中扩散模型有两大难题，智象未来团队提出全新自回归图像编辑框架VAREdit，引入视觉自回归架构，提升编辑精准度与速度。模型和代码已开源，还提出SAR模块优化，在基准测试表现出色。
只会写代码没戏了！奥特曼最新面试题曝光：1人要干1个团队的活
OpenAI开年首场答疑会，奥特曼坐镇回应关切。他承认团队为追求ChatGPT编程能力，牺牲创意协作能力。还谈及软件工程未来变革、AI成本降低、Agent自主运行等问题，也对众多提问给出看法。
Anthropic 调整 Claude 额度；黄仁勋最后登访华机；GPT-5.6加速来袭；李彦宏提出AI新指标DAA
2026年5月14日AI资讯日报涵盖多领域动态。新闻有Meta田渊栋创业、黄仁勋访华等；产品应用涉及Hermes Agent、百度秒哒3.0等；推荐文章含腾讯程序员构建执行环境等观点。
源神阿里！图像生成Ovis-Image再开源，7B小参数媲美GPT-4o和20B开源模型
阿里Ovis团队发布Ovis - Image，7B参数文本到图像模型，在文本渲染任务媲美GPT - 4o和20B + 开源模型。它架构优化、数据工程精细、训练范式独特，实测数据表现佳，显存占用低、推理快。
DeepSeek V4正式版太便宜辣！5毛钱做出3D射击游戏，网友直呼绷不住
DeepSeek V4 Flash正式版API上线公测，其价格便宜得离谱，如0.07美元就能制作第一人称3D射击游戏。与Claude Opus 5、GPT - 5.6等对比，功能相近但成本低很多。它靠MoE架构等降低成本，还提升了性能。