「视觉规划」共找到 974 篇相关文章
马斯克发布《宏伟蓝图4》：特斯拉80%价值在于机器人，还意外露出了一款新车
特斯拉发布《宏伟蓝图4》，马斯克称约80%的公司价值将来自机器人Optimus。此蓝图核心是将AI引入物理世界，实现“可持续富足”，还阐述了遵循的原则，与前三次规划相比是范式转变。
Alibaba力作:Ovis-U1 融合理解、生成与编辑，解锁无限可能
OpenAI 2025 年推出的 GPT - 4o 结合图像与语言能力，但引发视觉解码器设计及统一模型训练问题。Alibaba 力作 Ovis - U1 单一模型能完成理解、生成与编辑任务，介绍了其架构、训练过程和应用。
治好多模态近视和走神！上海大学去偏干预显著提升模型性能
多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。
字节发了个机器人全能大模型，带队人李航
字节推出Seed，其Robix视觉—语言单模型能搞定机器人推理、任务规划和自然语言交互，核心采用思维链推理和三阶段训练策略，效果超Qwen2.5 - VL、GPT - 4o等，负责人是李航。
太强了 Yan！腾讯打造的全能交互视频生成引擎
腾讯提出的面向交互式视频生成的基础性框架 Yan，集 AAA 级模拟、多模态生成和多粒度编辑于一体，为下一代 AI 内容引擎提供可行路径，但也面临长时视频视觉一致性不足等问题。
AI打假AI，拿下SOTA丨厦大&腾讯优图
厦门大学联合腾讯优图实验室团队提出AIGI - Holmes方法，创新性采用“大模型+视觉专家”协同架构，解决现有AIGI检测技术瓶颈，在检测、解释能力及鲁棒性评估上均取得最优效果。
多模态扩散模型开始爆发，这次是高速可控还能学习推理的LaViDa
近期基于扩散模型的视觉 - 语言模型 LaViDa 出现，它继承扩散语言模型优点。与自回归模型不同，扩散模型能并行、处理双向上下文。LaViDa 在多任务测试有竞争力，推理蒸馏和文本填空表现好，还能权衡速度与质量。
探访性爱机器人公司Somnia Lab：卧室里的性与AI｜甲子光年
本文探访了性爱机器人公司Somnia Lab，其创始人Xara坦诚表示在研发能和人类亲密互动的机器人。公司已完成三轮融资，产品‘硅姬’将入市，‘硅君’预计2027年面世，公司规划独特，技术有突破，试图变革行业。
刚刚，DeepSeek又探索新架构了，开源OCR 2
DeepSeek更新DeepSeek - OCR 2，引入DeepEncoder V2架构，实现视觉编码范式转变。模型和技术报告齐开源，在多项测试中表现出色，降低重复率，为全模态编码提供路径，但在报纸类文档识别有不足。
深耕 MEMS 传感领域，容启传感以技术破局高端国产替代
本文是对容启传感销售副总周志强的专访。容启传感专注智能传感器，目标是实现高端国产替代，已在医疗和真空领域取得成效。公司2020年战略升级，产品获市场认可，还完成首轮融资，未来有清晰规划。