「视觉交互」共找到 1210 篇相关文章
斑马智行，开启汽车主动智能时代｜甲子光年
2025年WAIC上，斑马智行联合通义及高通，首发行业首个基于高通8397平台的端侧多模态大模型解决方案。该方案让智能座舱从“被动响应”到“主动感知”，还打通产业链，实现多方面适配。
LeCun出手，造出视频世界模型，挑战英伟达COSMOS
训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。
马斯克AI女友直播「一秒变身」，Karpathy看完立刻投钱
世界首个支持直播推流的「实时」扩散AI视频模型MirageLSD诞生，大神Karpathy亲自站台。它能理解真实视频后同步生成AI视频，实现零延迟、无限时长、每秒24帧不卡顿，给视频娱乐和直播互动带来丰富想象。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
ACL 2025 Oral | 你的模型评测搭子上线：Evaluation Agent懂你更懂AI
上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。
开源端到端语音大模型：直接从原始音频输入，生成语音输出
目前大模型大多只能输出文本，人机音频交互不顺畅。Step - Audio团队开源端到端语音大模型Step - Audio - AQAA，能直接听懂音频问题并合成语音回答，介绍了其架构和各核心模块。
首个全面梳理语音大模型发展脉络的权威综述，入选ACL 2025主会
香港中文大学团队语音语言模型综述论文《Recent Advances in Speech Language Models: A Survey》被 ACL 2025 主会议接收，这是该领域首个全面系统综述，指明语音 AI 未来方向，还剖析技术架构、训练策略等。
巨头博弈下，Agent 的机会和价值究竟在哪里？
极客公园创始人与拾象相关人员对话，探讨 Agent 热点话题。指出其真正门槛或在基础设施，还谈及产品路径、技术挑战等，如通用 Agent 是大模型公司主战场，Coding 是衡量 AGI 关键指标等。
一个md文件收获超400 star，这份综述分四大范式全面解析了3D场景生成
南洋理工大学研究者发表《3D Scene Generation: A Survey》综述，系统归纳300+篇论文，将3D场景生成方法分四大范式解析，还总结应用，探讨挑战与未来方向，如保真度提升、引入物理约束等。
马斯克的xAI以1130亿美元估值，出售3亿美元股权
金融时报消息，马斯克旗下xAI正以1130亿美元估值出售3亿美元股权，细节未全披露。若融资成功，其估值将跻身全球前列。xAI成立于2023年，获巨额融资，与X合并，产品Grok AI功能丰富。