「像素级视觉世界模型」共找到 1534 篇相关文章
ScreenCoder：视觉-代码对齐新范式，为多模态程序合成开辟道路
前端开发中UI转代码耗时易错，现有工具存在不足。ScreenCoder提出模块化多智能体框架，通过三阶段分工协作实现代码生成，还构建数据引擎推动VLMs进化，实验表现出色，为多模态程序合成开辟道路。
LiteReality来了！用一张扫描图还原真实3D世界
剑桥大学提出 LiteReality，可将室内 RGB - D 扫描数据转为 3D 虚拟副本，支持多种图形渲染功能，适用于多领域。它通过多步骤流程重建场景，还引入新框架解决材质恢复问题，但也存在依赖人工等局限。
智商276的世界第一持有者，正式向马斯克申请加入Neuralink！
韩国人YoungHoon Kim自称智商276，公开向马斯克发加入Neuralink的“求职信”，介绍其开发的认知增强软件及商业模式，网友反应不一，同时文章探讨了其智商数值的可信度。
Agent大革命！Claude 4连续自动编程7小时，刷新世界记录
今天凌晨Anthropic召开开发者大会，发布Claude 4，含Opus 4和Sonnet 4。Opus 4编程智能体连续工作7小时破纪录，Sonnet 4在SWE - bench表现超前沿模型。还新增功能，Claude Code开放，API也有新特性，Sonnet 4免费但有限制。
具身智能空间视觉死穴，终于被最新顶会彻底解决！
招商局先进技术研究院下属实验室提出新的移动数据范式，以极低成本破解 VLA 的空间泛化瓶颈。研究团队识别出 VLA 模型三种捷径学习模式，提出层次化数据解耦策略，该方案在主流 VLA 模型上验证有效。
邢波再出手：上次「骂」完世界模型，这次轮到智能体了
邢波教授新作《智能体模型批评》上线 arXiv，质疑当下被称为「智能体」的系统是否名副其实。论文将其分为两类，沿五维度拆解主流设计，提出 GIC 架构，还探讨了安全问题，指出要让能力内化进模型。
SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益
来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。
Agent-World：扩展真实世界环境，让智能体与环境协同进化！
文章提出Agent-World，将“智能体环境探索”与“自进化训练”结合，构建了1978个环境、19822个工具。实验表明，其在23个基准上一致性优于先进方法与强开源基础模型，还分析了环境规模与自进化对性能的影响。
重构线性视觉Transformer，精度与效率双平衡 | CVPR'25
南洋理工、北航与合工大联合提出CARE Transformer，以非对称解耦建模局部与全局，降低计算开销、提升特征表达。实验显示其在移动端低延迟高精度，打破“效率与精度不可兼得”困局。
科研数据不再碎片化！一张可计算图，连起整个科研世界
UIUC研究团队打造ResearchArcade，将ArXiv论文、OpenReview评审等碎片数据连接成动态知识图谱。它有多源、多模态等特征，支持多种格式数据导入导出，定义了六个任务，验证了图结构在科研数据处理中的作用。