「视觉语言融合」共找到 2036 篇相关文章
VLA统一架构新突破：自回归世界模型引领具身智能
北京智源研究院联合中科院自动化所提出 UniVLA 全新 VLA 模型架构，基于全离散、自回归机制建模多模态信号，后训练引入世界模型。它刷新多项基准纪录，在真机操控和自动驾驶有潜力，为多模态感知决策融合带来新思路。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
TPAMI | DC-SAM：打破SAM交互限制，基于循环一致性的图像与视频上下文分割方法
北京邮电大学联合南洋理工大学等机构发表论文，提出 DC - SAM 框架及 IC - VOS 基准。DC - SAM 含特征融合、正负双分支循环一致性提示生成等部分，实验在多基准测试获 SOTA 性能，为视觉大模型落地提供方案。
实测Claude Opus 4.7，好好的模型也开始不说人话了。
作者实测Claude Opus 4.7，它已全渠道上线，价格不变。该模型有多处更新，如隐形涨价、视觉能力提升、审美进步，但也出现不说人话的问题，还新增了effort档位、/ultrareview命令和Cyber Verification Program。
顶级邪修再战 Nano Banana Pro ，超多玩法，太猛了这玩意！
谷歌发布 Nano Banana Pro 模型，将图片模型能力推向顶峰，支持中文。它能生成准确视觉内容、多语言文本，可混合多元素，支持多分辨率。经测试，其各方面表现出色，应用场景丰富，版权限制宽松，三方应用和谷歌官方均可使用。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
这个真人版《火影忍者》竟然是AI做的，来自中国AI视频新王者Vidu Q3
开年国产AI竞争激烈，AI视频生成圈新出全球首个支持16秒音视频直出的Vidu Q3。它能全自动生成，语言支持多语种，经权威认证排名中国第一、全球第二，可实现图生和文生音视频，提升了AI视频生成能力。
对话智源王仲远：具身智能“小组赛”才刚刚开打，机器人需要“安卓”而非 iOS
智源研究院院长王仲远在对话中指出大语言模型发展遇瓶颈，AI 需走向物理世界。智源推出“悟界”系列，试图打破具身智能“循环悖论”，做具身智能的“安卓”，还提出大小脑协同策略，认为具身智能“小组赛”未结束。
阿里Qwen3一大波更新：代码生成、视频、图片、语音全都有
阿里Qwen3迎来一大波更新，涵盖多个模型。如Qwen3-Max在代码与智能体表现卓越；Qwen3-VL是强大视觉语言模型；Qwen3-Omni是全模态模型；还有图像编辑、同传、安全防护等模型及旅行规划师等应用。
首创像素空间推理，7B模型领先GPT-4o，让VLM能像人类一样「眼脑并用」
当前主流视觉语言模型（VLM）依赖文本token间接翻译视觉信息，缺乏直接视觉操作能力。滑铁卢大学等团队提出「像素空间推理」范式，让VLM能像人类一样「眼脑并用」，在四大视觉推理基准测试中，7B的Pixel - Reasoner表现碾压GPT - 4o等。