搜索：视觉定位分割

「视觉定位分割」共找到 967 篇相关文章

首款推理具身模型，谷歌DeepMind造！自主理解/规划/执行复杂任务，打破一机一训，还能互相0样本迁移技能

谷歌DeepMind发布新一代通用机器人基座模型Gemini Robotics 1.5系列，由GR 1.5和GR - ER 1.5组成，结合视觉、语言与动作，实现“规划 + 执行”闭环，还提出Motion Transfer机制，能跨机器人迁移技能。

随着多模态大语言模型在视觉问答等任务广泛应用，其几何推理能力成研究热点。现有方法泛化能力有限，UIUC团队提出Geo - Image - Textualization框架，发布GeoReasoning - 10K数据集，提升模型几何推理表现。

马克斯·普朗克软件系统研究所论文揭露，同样文本可被切分成不同数量token，用户难以验证是否被多收费。研究团队开发算法展示服务商多收费手段，还指出按字符计费可解决问题，但需行业达成共识。

文章讲述砺算科技GPU背后故事，包括其团队核心成员来源，经历的资金、欠薪等问题，还提及S3人员流动衍生出的其他GPU企业。分析砺算科技团队稀缺性、融资短板等情况，对比不同GPU发展路线。

AI Agent 公司 Manus 将总部迁至新加坡，凸显其优势。白鲸开源创始人郭炜分享中国科技企业出海经验，对比 A、B 路径，分析中美市场差异，探讨中国软件市场优劣势，还阐述开源商业化及新加坡作为出海首站的价值。

海外巨头 Wix 斥 8000 万美元收购成立仅 6 个月的 AI 公司 Base44。其创始人 Shlomo 用 AI 打造“开箱即用”开发平台，采用“全栈原生”理念突围。Shlomo 分享创业经历、工具使用及增长策略等。

xAI的Grok 4提前泄露，团队跳过Grok 3.5直接推出。它被定位为旗舰模型，有强大性能。马斯克欲用其重写人类知识库，但引发争议。xAI融资100亿，建超算中心面临电力问题。

尽管LLMs和VLMs在视频分析和长语境处理有进展，但处理数小时长视频有局限。微软提出智能体Deep Video Discovery (DVD)，以简洁框架在LVBench取得高准确率，将以MCP Server形式开源。

多智能体AI系统任务失败后，开发者常难定位问题。PSU、杜克大学与谷歌DeepMind等机构提出「自动化失败归因」，发布Who&When数据集，探索三种归因方法，虽目前效果欠佳，但为打造可靠系统提供方向。

当前视觉语言大模型空间信息学习片段化，缺乏多维度空间推理能力。浙大、成电和港中文团队提出ViewSpatial - Bench基准体系，评估主流模型，揭示其缺陷，并开发MVSM优化跨视角空间理解。