「多码本视觉表示」共找到 934 篇相关文章
告别「想完再做」卡顿！清华StreamingVLA让VLA边想边行动，提速2.4倍
视觉 - 语言 - 动作（VLA）模型“观测 - 生成 - 执行”串行模式致交互卡顿，清华与联想合作提出StreamingVLA框架，引入两项技术实现并行处理，在测试中显著提升效率和流畅度，为VLA模型部署提供新方案。
学会“吃一堑长一智"，性能飙升11%！XSKILL让AI积累经验和技能
XSKILL框架让AI像人一样积累经验和技能，将任务级技能与动作级经验统一到双流设计中，通过视觉接地提取和检索知识，在多个基准测试中显著提升性能，还展现出跨模型迁移性。
对话ACE Studio：做AI音乐、月收入200万美元，我们选了一条和Suno截然不同的路
ACE Studio 切入 AI 音乐市场，与 Suno 路径不同，从专业用户入手，月收入达 200 万美元。其模型轻且快，还自建专家模型矩阵。商业模式采用开源免费吸引用户，闭源变现。认为 AI 音乐个性化是关键，未来将改变音乐产业。
AI看图一本正经胡说八道？「一拉一推」让模型看得全又准｜微软x清华
随着视觉 - 语言模型（VLM）推理能力增强，‘看错’问题凸显。现有方法有局限，微软亚洲研究院与清华提出BiPS，从训练阶段重塑模型‘看图方式’，通过‘一拉一推’机制让模型‘看全又准’，实验效果显著。
昆仑万维多模态视频生成开源，影音图文全统一
昆仑万维开源的SkyReels-V3，通过统一多模态上下文学习框架，实现参考图像生成视频、视频持续扩展及音频驱动虚拟数字人功能，在视觉质量与指令跟随性上逼近闭源顶尖水平，为开源社区提供强大研究基座。
TPAMI | DC-SAM：打破SAM交互限制，基于循环一致性的图像与视频上下文分割方法
北京邮电大学联合南洋理工大学等机构发表论文，提出 DC - SAM 框架及 IC - VOS 基准。DC - SAM 含特征融合、正负双分支循环一致性提示生成等部分，实验在多基准测试获 SOTA 性能，为视觉大模型落地提供方案。
百川开源医疗大模型 M3，王小川：今年会发布两款 ToC 产品，正在做硬件
1月初OpenAI、Anthropic推出医疗产品，百川智能也开源医疗大模型Baichuan - M3，评测成绩突出。王小川表示今年会发布两款ToC产品，还在做硬件，阐述了百川在医疗领域的目标与策略。
陶哲轩儿子变性了？本人现身回应，全网吵翻
近期网友热议陶哲轩儿子变性一事，实际其儿子2025年宣布选非二元性别身份。此外，父子在SAIR节目对谈AI与科研，陶哲轩认为AI是概率猜测机器，需过滤，还谈及AI不能超人类、应用于真实科研等。
2年内AI生成世界90%知识！老黄2小时重磅访谈「剧透」未来
新智元报道黄仁勋2.5小时访谈，他透露2 - 3年内90%知识或由AI生成，强调AI尽头是能源，提出通用高收入概念，还分享英伟达危机、童年经历，解答AI意识、失控等问题。
突破具身智能任务规划边界，刷新具身大脑多榜单SOTA，中兴EmbodiedBrain模型让具身大脑学会「复杂规划」
当前主流大语言模型在具身任务场景面临瓶颈，中兴星云大脑团队推出具身视觉 - 语言基础模型 EmbodiedBrain，构建全流程创新框架，在架构、数据训练、评估体系等方面有突破，还将开源成果推动生态发展。