「视觉-语言-动作」共找到 1811 篇相关文章
「AI助手」真来了？谷歌牵头推进Agent支付协议AP2
近日谷歌宣布推出 Agent 支付协议 AP2，这是开放共享协议，为 Agent 和商家交易提供通用语言，解决授权、真实性、问责问题，还支持多种支付类型，已和 60 多个企业合作且在 GitHub 公开项目。
“掩码即武器”，四款扩散LLM全部破防 ？ 上交&上海AI Lab发现dllm致命安全缺陷
上海交通大学、上海人工智能实验室等团队研究指出，扩散语言模型（dLLMs）有根本性架构安全缺陷。他们提出DIJA攻击框架，能让多个dLLMs大概率生成有害内容，还呼吁从多方面加强dLLM安全。
强化学习的两个「大坑」，终于被两篇ICLR论文给解决了
现有强化学习算法基于理想化交互模式，难应对真实环境。Mila 实验室两篇 ICLR 2025 论文提出实时强化学习框架，分别解决推理延迟和动作缺失问题，还可结合使用，对关键领域意义重大。
0.25秒识破未见攻击，这套检测方法没看过任何越狱样本 | EMNLP'26
大视觉语言模型带来隐蔽攻击面，现有检测器难平衡。中国人民大学与阿里巴巴集团联合提出Learning to Detect（LoD），不依赖攻击样本和手工规则，从模型内部激活学安全模式，实验效果好且代码开源。
端到端智驾新SOTA | KnowVal：懂法律道德、有价值观的智能驾驶系统
北京大学王勇涛团队提出新型自动驾驶系统 KnowVal，通过感知与知识检索模块协同实现视觉 - 语言推理。它构建驾驶知识图谱，有价值模型用于轨迹规划，实验在多基准测试表现佳，还通过定性分析验证效果。
给几何图片写标题就能让AI更聪明，UIUC发布高质量可泛化几何数据集
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。
AI视频生成走向「演技生成」时代，生数科技Vidu全球发布Vidu Q2
9月25日，生数科技全球上线新一代图生视频大模型Vidu Q2，打破AI生成表情假、动作飘忽等问题，实现从“视频生成”到“演技生成”跨越，有AI演技生动、镜头语言丰富等亮点，已多端上线。
5700问答对全面评估拷问AI空间感！最新空间智能评测基准来了丨浙大&成电&港中文
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。
132万字实时字幕！阿里语音模型支持影视飓风100小时直播
阿里升级实时语音识别大模型Fun-ASR-Realtime，首字延迟在百毫秒级别、识别准确率接近离线模型。在影视飓风100小时直播中表现出色，还支持16种方言和30种语言，离线模型Fun-ASR-Flash全球权威榜单排第一。
张雪机车燃爆封神！国产2B语音模型重磅开源，全网听完都起鸡皮疙瘩
面壁智能联合多方开发的2B小模型VoxCPM 2于4月开源，支持30种语言与9大方言，能实现声音克隆、情绪控制、音色设计等功能。实测显示其能力出色，还提供全家桶级工具箱，采用独特技术路线。