搜索：视觉-语言-动作模型

「视觉-语言-动作模型」共找到 1811 篇相关文章

NextStep-1：一次在图像生成上自回归范式的探索

阶跃星辰团队探索自回归图像生成新路径，推出 NextStep-1。它直接在连续视觉空间自回归生成，架构简洁，实现端到端训练。模型有高保真生成和编辑能力，Benchmark 表现佳，但也面临稳定性等挑战。

MIT与谷歌团队在研究PASTA中探索异步生成范式，开发标记语言PASTA - LANG，采用双阶段训练流程，设计推理系统。实验显示PASTA平衡性能与质量，有可扩展性，为LLM推理效率优化开创学习驱动新路径。

近期，RAE 提出以「冻结的预训练视觉表征」作潜空间提升扩散模型性能。同期西安交大与微软亚研院提出 VFM - VAE，结合 RAE 与 VAE，能加速模型收敛、提升生成质量，展示扩散模型 Tokenizer 演化方向。

来自多高校研究团队提出KineDex框架，以真·手把手指导方式让人类动作传至灵巧手，同步采集高保真触觉信息，使星动纪元灵巧手星动XHAND 1解锁复杂精细操作，论文已被CoRL 2025接收。

LinkedIn推出认知记忆智能体（CMA），作为生成式AI技术栈一部分，解决大语言模型缺乏状态记忆问题。CMA有三层记忆，集成多种机制，在多智能体系统中作用关键，还将人工校验融入招聘应用。

InfoQ AI ML 趋势报告基于编辑团队与嘉宾播客，总结 AI、ML 技术发展趋势。涵盖 AI 代理、多模态语言模型等创新领域，也提及早期采用者、早期多数、晚期多数类别的技术，还对 2025 年相关领域发展作出预测。

OpenAI计划在印度建设至少1GW规模的数据中心，这是「星际之门」计划首次大规模进入亚洲。印度用户增长潜力大，还有多语言应用场景。虽奥特曼淡出CEO角色，但亲自推动全球算力布局，印度是关键起点。

智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。

在WAIC上，RockAI推出非Transformer离线AI大模型Yan 2.0 Preview，有视觉感知跃升和自主学习能力两大提升。该公司走非Transformer路线，着重场景落地，通过“标杆战略”推动产品量产，未来构想构建“群体智能”世界。

开源项目Hyperframes刷屏，它是基于HTML的视频渲染框架，不用视频大模型，用普通语言模型就能生成可控视频。它与Remotion有区别，选了对AI友好的路，还介绍了安装、使用方法和适用场景。