「多码本视觉表示」共找到 947 篇相关文章
谷歌豪掷1亿贺寿！Hinton预言OpenAI要输，CS学位最香
新智元报道，78岁生日时，谷歌为Hinton在多伦多大学设讲席教授。Hinton认为谷歌已反超OpenAI，还表示现在不是放弃CS学位的时候，该学位在很长时间都有价值，CS课程也需与时俱进。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
阿里新研究：统一了VLA和世界模型
阿里达摩院等提出WorldVLA框架，融合视觉语言动作模型与世界模型。它用三套分词器编码，解决传统自回归模型问题，经联合训练，实验显示其性能优，两模型还能相互助力。
AI时代，开发者不能再当 i 人了，「云计算代言人」敬告
亚马逊云科技副总裁 Jeff Barr 时隔 16 年再访中国，对比两个技术时代。他认为 AI 带来创新与挑战，开发者需强大沟通力。还介绍亚马逊云科技工具 Kiro 及新开发模式，预测未来软件开发形态转变。
一图胜千言被实现了！DeepSeek-OCR用图片压缩文本，10倍压缩率
DeepSeek开源DeepSeek - OCR，用图片压缩文本达10倍压缩率且几乎不丢信息。它解决了以往视觉编码器的问题，架构清晰，数据丰富，性能测试亮眼，为解决大模型‘记性差’问题提供新思路。
具身智能迎来ImageNet时刻：RoboChallenge开放首个大规模真机基准测试集
近日，RoboChallenge推出全球首个大规模、多任务真机基准测试。它构建开放、公正、可复现的‘真实考场’，为视觉 - 语言 - 动作模型提供评估标准，推动具身智能发展，还提供远程测试服务等。
“现阶段就差数据了”Figure 03登《时代》最佳发明榜封面，CEO放话了
刚发布Figure 03的Figure公司，其CEO Brett Adcock在《时代》采访中称现阶段机器人缺数据。此言论引发争议，他亲自反驳质疑，还阐述公司目标、安全考量及对机器人市场需求的乐观预期。Figure 03登上《时代》2025最佳发明榜封面。
Sam Altman自曝羡慕20岁辍学生，还直言美国难以复制微信这类“全能App”！
当地时间2025年开发者日，OpenAI推出系列开发者更新，向通用智能平台转型。会后，CEO Sam Altman接受专访，谈新工具影响、AGI突破，还表示羡慕20岁辍学生，称美难复制微信这类“全能App”。
李飞飞押注的3D世界模型黑科技，被这篇论文一次性扒光！
李飞飞创业公司World Labs发布空间智能模型成果，推出Marble平台。本文分享3D、4D世界模型技术综述，系统梳理原生表示的世界模型，给出分层分类法、数据集与评测指标，并开源维护。