模型

在机器人技能学习中，视觉感知是决策与操作的基础。然而，当前大多数方法依赖2D彩色图像作为输入——这种模式虽能捕捉纹理和颜色，却难以准确理解物体的距离、大小、形状等关键几何信息。 相比之下，人类在与环境...

在构建轻量级、隐私优先的 AI 应用时，如何在资源受限的设备上实现高质量语义理解，是一大挑战。传统的嵌入模型往往依赖云端计算，带来延迟、隐私和离线可用性问题。 为此，谷歌推出 EmbeddingGem...

在代码编辑中，真正消耗时间的往往不是“写代码”，而是重构、调整、维护与迭代。传统自动补全工具只能在光标处插入文本，面对复杂的多行修改仍需手动操作，打断开发节奏。 为此，开发工具团队 Continue ...

月之暗面宣布推出其旗舰模型 Kimi K2 的最新版本（0905），重点针对真实编程任务进行优化，在代码生成能力、上下文处理、API 性能和平台兼容性等方面实现多项重要升级。 此次更新聚焦于提升模型在...

对研究人员而言，撰写论文只是第一步。在会议展示阶段，如何将复杂的研究内容浓缩成一张信息清晰、视觉美观、叙事连贯的学术海报，是一项耗时且需要设计经验的任务。 尽管已有自动化工具尝试解决这一问题，但大多数...

在图形用户界面（GUI）日益复杂的背景下，如何让AI代理像人类一样流畅操作系统、完成多步骤任务，是自动化与智能体研究的重要方向。然而，当前自主GUI代理的发展仍面临诸多挑战：训练数据难以规模化获取、多...

语言模型正在越来越多地承担需要世界知识的任务：回答问题、生成事实性文本、辅助决策……但一个根本性问题仍未解决： 模型是如何从训练数据中“学会”知识的？ 我们训练模型时喂的是文本，但它输出的却是“信念...

在大模型迈向“自主思考”的过程中，一个关键瓶颈逐渐显现： 现有基准任务太简单，无法真正测试模型的复杂推理能力。 Natural Questions、HotpotQA 等主流数据集虽然推动了多跳推理的发...

在多模态大模型（MLLM）快速发展的今天，一个核心问题日益凸显：预训练视觉编码器的训练方式是否真的适配下游任务？ 传统方法依赖图像-文本对比学习（如 CLIP），但这类模型在接入 LLM 进行微调时...

Pusa Wan2.2 V1.0 将开创性的 Pusa 范式扩展到先进的 Wan2.2-T2V-A14B 架构，该架构采用 MoE DiT 设计，包含独立的噪声和高噪声模型。这种架构提供了增强的质量控...

在多模态大模型的竞争中，视频理解正成为下一个关键战场。相比图像，视频包含更丰富的时空信息——动作的起止、事件的因果、场景的演变。要让AI真正“看懂”一段视频，不仅需要识别画面内容，还要理解时间逻辑与行...

ElevenLabs 今天推出了其音效生成模型 SFX v2，在音质、功能和使用体验上实现多项重要升级。现在，用户只需输入一段文字提示，即可生成高质量、可循环的环境音效，适用于有声书、播客、视频、冥想...