「像素级视觉世界模型」共找到 1534 篇相关文章
把VLM塞进隐式世界模型，小鹏机器人新框架让机器人长出物理直觉
机器人大脑架构中VLM和VAM路线各有短板，香港大学、小鹏机器人等团队提出DIAL框架，让VLM在原生特征空间做隐式世界建模，解耦认知决策与底层执行，在机器人部署中表现优异。
银河通用WRC首发英伟达Thor，银河太空舱世界首创城市级机器人应用
全球首个城市级常态化运营的人形机器人示范区落地北京。银河通用具身大模型机器人Galbot依托大模型实现精准商品识别与取送，还展示了多场景应用能力。其银河太空舱开启‘十城百店’计划，推动具身智能服务普及。
李飞飞刚立规矩才13天，国产卡上「真物理」就来了！
李飞飞为「世界模型」立规矩13天后，中国「草根」团队Mogo推出全球首个具备高动态物理交互能力的世界模型Magpie 1.0，在国产芯片上实现超10分钟物理一致性，开辟全新技术路径。
AI股大爆发！甲骨文单日增长40%，创始人超马斯克成世界新首富
甲骨文公布AI云业务强劲增长预期，股价单日暴涨40%，创始人成世界新首富。受其带动，多只AI股上涨。OpenAI将与甲骨文签3000亿美元算力采购协议，但双方合作有风险，甲骨文债务比例高。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
Hugging Face开源nanoVLM，750行代码可训练视觉语言模型，简单到令人发指！
Hugging Face开源全新视觉语言模型框架nanoVLM，仅750行代码就能从零训练高效能VLM模型。它在单张H100 GPU训练6小时后，在MMStar数据集准确率达35.3%，且能在免费Google Colab跑。
镜头被油污糊住，机器人还稳定操作？北大/清华等给VLA加一道信息筛选，不靠额外数据，效率提升14x，真机鲁棒性反而更高了 | ICML 2026
北大、清华等机构联合提出StableVLA，相关工作被ICML 2026接收。该工作提出轻量级IB - Adapter，不依赖额外数据对视觉特征筛选对齐，让机器人遇视觉干扰仍能稳定执行任务，实验展现出鲁棒性提升。
AI下一前沿是模拟社会！「斯坦福AI小镇」创业后，西部世界雏形初现
业界热议人工智能的下一个前沿，斯坦福大学副教授 Percy Liang 认为是模拟社会，他所在创业公司完成 1 亿美元融资。模拟社会可预测情景、优化结果，Simile 团队开创 AI 模拟领域，但面临开发模型、高效模拟、建立信任等挑战。
3.4K星Apple出品FastVLM：视觉TTFT效率提升85倍，凭啥这么牛！
文章指出VLM在实际生产应用中因高分辨率图像存在效率问题，介绍Apple出品的FastVLM解决方案，阐述其架构、训练过程，展示在多个基准测试的性能，凸显在高分辨率输入下提升效率的优势及实际应用价值。
自媒体误读了 DeepSeek-OCR：一图胜千言
近期，DeepSeek-OCR引发关注，但很多媒体误读其为OCR工具，实际是视觉语言模型。它是为大文档等场景优化的视觉压缩与识别系统，架构新颖，训练讲究，效果出色，为行业带来新思路。