「具身视觉」共找到 1599 篇相关文章
MoE不够看了，腾讯推出MoT：2B具身模型22项评测16项最佳
腾讯混元团队联合Robotics X实验室推出HY - Embodied - 0.5系列基础模型，含MoT - 2B和MoE - 32B两款主力模型。在22项评测中，MoT - 2B获16项最佳，其架构、数据和训练有创新，能应用于机器人控制。
中国设计智造大奖作品展来了！从具身智能到智慧空间，打开未来生活想象
第十届中国设计智造大展在国美良渚校区开启，展示200余件获奖作品。展览设5大主题、打造新场景，验证新技术产业化应用，还展示增强外骨骼等案例，助力未来产业集群培育。
NeurIPS 2025 | 面向具身场景的生成式渲染器TC-Light来了，代码已开源
TC-Light 是中科院自动化所张兆翔教授团队研发的生成式渲染器，能对长视频序列重渲染，减少 Sim2Real Gap 及实现数据增强。它克服了时序一致性和计算开销挑战，性能优于现有技术，论文与代码已开源。
北大-灵初重磅发布具身VLA全面综述！一文看清VLA技术路线与未来趋势
GPT-4o等多模态基础模型发展，让研究者探索将智能延伸到物理空间，VLA模型受关注。北大 - 灵初联合实验室从动作词元化视角提出新框架，分析主流action token，还介绍了VLA发展趋势及面临挑战。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
Agent 走向具身世界：从语言智能到机器人「大脑指挥官」
华为诺亚方舟实验室发布 RoboHarness 系统，解决不同策略协作问题。它将独立控制系统封装成可调度技能，由 Coding Agent 决策，还设计辅助技能和 Memory Bridge 模块，促进策略协同，推动具身智能发展。
NVIDIA 开源 Live VLM WebUI：摄像头实时测试视觉语言模型
NVIDIA 开源 Live VLM WebUI，可让用户在本地用摄像头实时测试视觉语言模型。它基于 WebRTC 技术，能将摄像头视频流实时传输给模型，分析结果叠加在画面上，支持多后端、多平台及多种模型。
GPT-5.6 Sol暴涨3倍，OpenAI最强视觉AI登顶！
第三方评测机构Roboflow测试显示，GPT-5.6 Sol在目标检测、计数等视觉任务上表现出色，尤其在文档版面识别和密集场景处理上进步明显，但认字能力有退步，且大尺寸图片检测框易飘移。
当具身智能遇到“大脑”瓶颈，一家国家队公司决定拆掉围墙共筑基石｜甲子光年
2月28日“启智涌现”开发者大会举行，启智机器人试图解决行业软硬件耦合深等矛盾。它打造通用技术底座，用大衍数据平台等构建技能进化引擎，还以新商业模式构建生态飞轮，推动机器人融入各行业。
寻找最强具身大脑！全球机器人顶会ICRA开启报名，智元全程陪跑带你拿奖
由智元主办的AGIBOT WORLD CHALLENGE @ICRA 2026赛事开启报名，设推理 - 操作和世界模型两赛道。智元提供顶配硬件、仿真平台、数据集和基线模型，还有超百万美元奖金与资源，助力开发者。