「具身视觉」共找到 1599 篇相关文章
陶大程技术博客首发：从像素复刻到行动控制，具身世界模型的底层逻辑探索｜甲子光年
今年世界模型成AI热点，通用世界模型追求像素逼真，具身世界模型不同，其使命是支撑行动。文章拆解具身世界模型底层逻辑，分享开悟世界模型的技术设计与实践思考。
东方理工团队提出HiDrop：重构MLLM计算路径，压缩90%视觉Token实现2.2倍加速
东方理工大学沈晓宇团队提出HiDrop，基于MLLM不同层功能差异，设计出延迟注入、凹金字塔式剪枝和提前退出的视觉Token压缩策略。实验显示，它能压缩约90%视觉Token，保持98.3%性能，实现训练和预填充加速。
CVPR 2026 Workshop征稿｜从感知到推理，ViSCALE 2.0 邀你重塑计算机视觉的 System 2
2026年6月，CVPR第二届计算机视觉推理扩展研讨会（ViSCALE 2026）将在美国回归。由顶尖机构学者联合举办，将汇聚顶尖学者探索视觉模型突破瓶颈之法。会议亮点多，还开启论文征稿，欢迎积极投稿。
是「福尔摩斯」，也是「列文虎克」，智谱把OpenAI藏着掖着的视觉推理能力开源了
智谱开源视觉推理模型 GLM-4.5V，还同步开源桌面助手应用。此模型视觉推理能力强，在图像识别、视频理解、前端复刻、图表处理等多方面表现出色，技术创新使其达开源 SOTA 水平，推动行业注重实用价值。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
北大团队让AI学会考古！全球首个古希腊陶罐3D视觉问答数据集发布，还配了专用模型
北大团队推出全球首个面向古希腊陶罐的3D视觉问答数据集VaseVQA - 3D，配套专用视觉语言模型VaseVLM。传统模型面对文化遗产复杂对象有不足，新数据集和模型让AI迈向‘文化考古Agent’，未来将拓展到更多领域。
谷歌DeepMind深夜放核弹：世界模型Genie 3登场，重新定义“生成式AI”
谷歌DeepMind推出第三代通用世界模型Genie 3，能生成多样化交互式环境，可实时导航。它较前代有诸多突破，有模拟物理特性等核心能力，能赋能具身智能体研究，但也存在行动空间有限等局限。
重磅开源！240亿参数力压Nano Banana 2
4月初，京东探索研究院开源JoyAI - Image - Edit图像模型。它是业内首个将「空间智能」写进底层的开源一体化图像模型，能让模型「理解空间，编辑空间」，在电商和具身智能场景极具价值。
π0.7的泛化能力有多强？零样本纯靠口述就能用空气炸锅，演示完换个机械臂也能叠衣服
2026年4月16日，美国明星机器人AI公司Physical Intelligence发布模型π0.7。它具组合泛化能力，借助多模态提示框架，能零样本完成新任务。在空气炸锅、叠衣服等实验中表现出色，有望推动具身智能发展。
ETT：打破原生多模态学习视觉瓶颈，重塑视觉tokenizer优化范式
本文由多机构联合完成，针对传统视觉 tokenization 方法优化与下游任务训练割裂问题，提出 ETT 调优方法。它实现联合优化，在多模态理解、生成、重构任务表现出色，虽有局限但带来新突破。