「文本驱动动作生成」共找到 1298 篇相关文章
谁说3DGS必须靠LiDAR？如视Argus入选ECCV，让图像也能提供LiDAR级位姿约束
消费级3DGS应用走向普通用户，但需精确位姿约束，过去靠LiDAR，成本高。如视Argus入选ECCV 2026，能从图像预测位姿等，为3DGS提供精准约束，推动其走向低成本采集时代。
Nano Banana Pro最全解析，设计师和开发者都用得上，附官方提示指南
Nano Banana Pro基于Gemini 3 Pro构建，将逻辑推理能力注入像素生成，解决画面准确性、逻辑性问题。它在多方面实现飞跃，应用广泛，谷歌还给出提示词使用技巧，但在部分处理上仍有提升空间。
只用图像也能思考，强化学习造就推理模型新范式！复杂场景规划能力Max
现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。
中大 × MBZUAI重磅开源！A₁：全透明高效 VLA 模型，机器人实时控制成本直降 76% 丨CVPR 2026 Findings
开放世界机器人操作被大模型算力成本和推理延迟难题困住，中大与MBZUAI团队推出全开源的A₁模型，其自适应推理方案降低推理延迟和骨干计算量，性能超主流基线，打破‘高性能=高成本’魔咒。
模力工场 035 周 AI 应用周榜：AI 正在走出通用叙事，进入细分人群与真实场景
模力工场 035 周 AI 应用周榜揭晓，前十应用展示 AI 向各领域渗透，正从通用大模型转向垂直细分场景。本周上榜应用呈现多趋势，如情绪陪伴类细分、内容生产类下沉、营销商业化具象化等。
春晚武BOT论文来了！王兴兴署名，同步开源其架构
宇树发布武BOT技术论文，王兴兴署名，同步开源OmniXtreme架构。该架构通过双阶段框架，打破学习和物理可执行性瓶颈，在高保真度与可扩展性间权衡，经测试在真实硬件上表现出色。
视觉思维链全新架构，加州大学让多模态大模型有了灵性，整体性能提升5.3%
加州大学伯克利分校等团队提出视觉思维链（CoVT）架构，让视觉语言模型推理时生成连续视觉信号。它内化轻量级专家能力，采用对齐策略和四阶段训练，实验显示性能提升，还具可解释性。
机器人GPT时刻！英伟达WAM赋予全机器人零样本操作能力
英伟达发布世界动作模型 DreamZero，通过耦合视频生成与动作预测，让机器人有物理直觉，能在陌生环境完成复杂任务。它用异构数据学习，适配不同机体，还经优化实现高速推理。
终结多智能体视觉幻觉“滚雪球”！新国立等提出ViF：无需改造模型，即插即用
多智能体协同做视觉任务常轮次越多错得越离谱，根源是信息传递方式有缺陷。新国立等研究人员提出轻量通用的ViF范式，无需改造基座模型，可大幅压制幻觉滚雪球，已入选ICLR 2026。
机器人进入“边做边学”时代：星尘发布在线强化学习框架，让动态投掷成功率提升超141%
星尘智能基座模型团队公布在线强化学习框架SmoothRL，解决异步执行环境中具身模型在线微调难题。该框架让策略更新对应硬件实际执行，攻克延迟失准问题，在多项真机测试中大幅提升任务成功率。