「视觉定位」共找到 936 篇相关文章
如何训练VLA？丰田研究院发布史上最大实验规模「保姆级」教程
丰田研究院和清华大学发布教程，用大量数据训练89个策略模型并验证。聚焦Co - training，研究五大模态、三种策略，对比不同架构，揭示有效和无效模态，还探讨CoT推理及多方面实验。
小鹏加速冲向L4终局：对VLA架构「动刀」成关键一环
在辅助驾驶领域，端到端的VLA方法虽有效果，但面临中间层语言难以准确表达物理世界细节的问题。小鹏汽车去掉“语言转译”环节，推出第二代VLA，有跨代级驾驶体验，背后是底层技术架构重构。
倒反天罡：「租个人」网站爆火，AI开始雇人「跑腿」了
「rentahuman.ai」网站定位为「AI 的肉身层」，AI 可通过 MCP 协议或 REST API 雇人完成线下任务。网站上线后人力增长快，但也引发付款、任务真实性、安全伦理等疑问。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
记录下SGLang 开发，debug的几个技巧第二弹
作者BBuf继上次分享后，又带来SGLang开发、debug新技巧。包括开启多线程加载模型权重，介绍SGLang Serve模型短期和长期崩溃的调试方法，还提及逐层NVTX Profiling、查看固定batch_size下Decoding性能等技巧。
对话鹿明CTO丁琰：数据会反向决定模型，甚至影响硬件形态 | GAIR 2025
本文是对鹿明CTO丁琰的访谈。丁琰博士最早将UMI落地实践，其数采方案「FastUMI」受青睐。他认为UMI是完整体系，数据会反向影响多方面。还对比多种数采方式，介绍FastUMI改进及Pro版优势。
Meta 系 95 后华人明星团队，创业一年就与高通达成合作，让手机拥有多模态记忆
由华人创业者沈俊潇创办的 Memories.ai 发布 LVMM 2.0 并宣布与高通合作，该模型 2026 年将在高通处理器上原生运行。它解决视频可搜索性问题，应用广泛，能降低延迟、确保数据安全等。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
刚刚，Figure 03惊天登场！四年狂造10万台，人类保姆集体失业
通用机器人曙光来临，Figure 03正式亮相，专为Helix「大脑」打造，手掌心有摄像头，指尖能感知3克力。其进化亮点多，未来四年将量产十万台，适用于家庭和商用场景。
从BM25到Multi-Vector：6种Embedding演进路线
文章介绍6种Embedding演进路线，包括Sparse、Dense等，分析其特点、痛点、效果和案例，还给出选型建议，如关键词匹配选Sparse，长文本定位选Multi - Vector，也提及方案选择步骤。