「具身视觉」共找到 1599 篇相关文章
AI文本转语音进入“Next Level”！独角兽ElevenLabs发布Eleven v3：狠狠拿捏情感控制
独角兽ElevenLabs发布最新版TTS模型Eleven v3，支持70多种语言，能进行多人对话，生动展现情绪语气。官方称其为“迄今为止最具表现力的文本转语音模型”，网友实测好评居多，但中文效果不如英文。
估值315亿！田渊栋AI创业，谷歌、英伟达和AMD参投
Meta离职的田渊栋官宣创业，成立RSI，获6.5亿美元融资，估值约316亿。8位联创阵容豪华，团队致力于构建开放式架构，让智能体自主学习升级，目标打造具5万博士能力的智能系统。
治好多模态近视和走神！上海大学去偏干预显著提升模型性能
多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。
又一家首店落地东城！机器人咖啡师，24小时不打烊→
近日，京东旗下七鲜咖啡首家24小时智能无人咖啡店落地北京银河SOHO。饮品全流程由机器人执行，单杯制作超不过30秒，还能并行制作多杯。它兼顾标准出品与个性体验，也切中现代城市生活痛点。
AMI Labs 冯雁：AI 迈向现实世界，世界模型不可或缺 | ICML 2026
2026年7月7日，AMI Labs冯雁在ICML 2026带来特邀演讲，系统回答三个核心命题。她认为AI迈向现实世界，世界模型不可或缺，JEPA世界模型比生成式更具结构性优势，团队也取得系列关键突破。
AI圈“集体开大”！DeepSeek、Claude带头，智谱、阿里、蚂蚁、智源都“卷”起来了
双节前最后一天，AI圈“卷”疯了！智谱发布并开源GLM - 4.6，是国内最强Coding模型；阿里介绍视、听、说全模态同传大模型Qwen3 - LiveTranslate - Flash；蚂蚁开源万亿参数推理大模型Ring - 1T - preview；智源开源跨本体基座大模型RoboBrain - X0。
新天终启，万象智生！从AlphaGo到GPT-5，新智元十年见证ASI创世纪
2025年AI迈向ASI，新智元迎十周年，9月7日将在北京举办峰会。众多大咖齐聚，探讨芯片、大模型等前沿突破。今年大模型发布密集，如OpenAI、谷歌等有新成果，中国造大模型也表现出色，未来智能体等将爆发。
太强了 Yan！腾讯打造的全能交互视频生成引擎
腾讯提出的面向交互式视频生成的基础性框架 Yan，集 AAA 级模拟、多模态生成和多粒度编辑于一体，为下一代 AI 内容引擎提供可行路径，但也面临长时视频视觉一致性不足等问题。
模仿学习新范式！Chain-of-Action：轨迹自回归实现动作推理
具身智能领域尚未迎来「GPT时刻」，现有模仿学习范式有缺陷。字节跳动与阿德莱德大学研究者提出「动作链」（CoA）策略，通过轨迹自回归建模解决累计误差，提升泛化性，实验效果显著。
CVPR 2025 Tutorial：从视频生成到世界模型 | MMLab@NTU团队&快手可灵等联合呈现
图像生成普及，视频生成也有高质量发展，可灵、Sora等模型不断拓宽边界。CVPR 2025 Tutorial将探讨视频生成能否成世界模型桥梁、具身智能核心能力等问题，汇聚一线研究者分享。