「视频推理数据集」共找到 4984 篇相关文章
机器人是具身大模型的「用户」：超维动力如何打通从人类经验到机器人行动？
今年WAIC，超维动力展台的乒乓球桌和双臂机器人开易拉罐演示吸引关注。其机器人90%经验来自人类第一视角数据，超维动力全栈布局，试图打通人类经验到机器人行动链路，目标是建立机器人持续进化方式。
大部分token根本不该重复计算，不止于KVCache
斯坦福研究显示，AI Agent每次调用62%内容重复，现有前缀缓存虽有优化但天花板低，阿里云数据表明多数缓存块利用率低。LMCache将缓存管理独立，解决性能问题，其CacheBlend技术复用缓存，适配多引擎和存储后端。
这家 AI Lab 宣布所有模型无限期免费后，我顺手做了个图片版番茄钟
全球排名前十的 AI Lab，Agnes 宣布旗下核心全模态模型 API 无限期免费开放，包括文本、图片、视频。还新增百万 Token 上下文和 4K 图片生成功能。作者用其做了图片版番茄钟，官方也公开开发进度。
DeepSeek还有多少个“郭达雅”？扒完27篇论文，我们发现了一群“多边形战士”｜甲子光年
本文梳理DeepSeek近两年27篇核心论文，发现其研发团队无部门墙，“兵团+小组”配合高效，顶级高校背景研究者多，研发不设限。虽核心作者被挖，但人才密度厚，技术路线已内化，还开放数据侦探工具包。
当SFT遇上RL：基于样本学习阶段的动态策略优化机制
在大模型推理能力增强研究中，SFT和RL两种后训练范式难有效融合。研究团队提出DYPO动态策略优化方法，先判断样本学习阶段再匹配优化路径，在多场景实验中表现出色，不过有实验边界。
ACL 2026｜Doc-V*：读100页文档不如只翻对5页，80页场景「暴打」RAG 10个点
Doc-V*由小米和华中科技大学团队提出，是多页文档理解新范式，通过交互式视觉推理让模型有策略地读长文档。它在多页文档问答基准上比RAG变体提升49.7%，不依赖大模型或长上下文窗口。
GPT-Image-2平替！最强开源生图模型来了
OpenAI推出GPT Image 2引发AI生图大战，国内厂商商汤反击，推出多模态理解生成模型SenseNova U1并全面开源。它通过自研架构实现理解、推理、生成统一，实测表现惊艳，能力全维度，与GPT-Image-2范式不同。
苹果新论文发出惊人一问：What do your logits know?
苹果AI研究团队提交论文《你的logits知道些什么？（答案可能会让你惊讶！）》，触及大模型底层逻辑及苹果看重的用户隐私与数据安全。研究通过实验揭示模型信息留存状态，指出存在隐私泄露隐患。
AI 驱动的数据库心脏：如何让云原生「自我进化」
本文深度解析腾讯云自研云原生数据库 TDSQL - C，它融合 Serverless、AI 技术，解决传统数据库痛点。具备存算分离、智能伸缩、AI 预测等特性，能降本增效，还可全球部署，为企业数字化出海提供数据基座。
疯了……Claude 最强风控：验你实名身份证！
Anthropic更新支持文档，宣布在Claude平台引入身份验证机制，目的是防滥用、执行政策和履行义务。验证需有效证件、带摄像头设备，由Persona Identities处理数据。此前OpenAI也有类似机制，这或加剧AI使用人群分化。