搜索
一段人坐上椅子的视频，对人类而言再普通不过。我们不仅能看见 “人坐了下来”，还天然理解椅子承受人体重量，人与椅面形成接触并最终稳定，这些重力、接触与作用关系共同构成真实世界中的物理交互。但对今天的三维重建系统而言，“看见动作” 与 “重建真实交互” 仍是两回事。一个视觉上准确坐在椅子上的人体，进入物理仿真后，椅子可能因结构缺失倒下，人体也可能与椅面严重穿模。视觉上成立，并不意味着物理交互上成立。
NTU、CMU、Berkeley等高校联合推出VBVR-Pro视觉推理系统，构建300项任务与100项可验证打分器的训练评测平台，测试30余个多模态模型，并验证其打分器可直接作为强化学习奖励。
新智元报道 多模态大模型的物体幻觉，长期被归因于语言先验。 先看下面两组对话。 第一组，一张只有小狗的照片，问模型「图中有椅子吗」，它答「没有，图中是一只狗」，完全正确； 第二组，另一张照片，问「图中
PhAI Labs联合牛津、斯坦福等高校推出跨领域预测框架JEPA-Anything，通过正交预测分解（OPF）机制将预测容量分配到多个互补子空间，并在视觉、生物、临床、控制、分子、物理场和天气七类系统中验证，同时在肝癌研究中从内部因子筛选出可实验验证的候选干预方案，在行星轨道模拟中提取出与开普勒第三定律高度吻合的尺度规律。
Memories.ai创始人沈俊潇在对话中阐述，记忆只是基础，公司真正聚焦于通过自建视频数据湖驱动物理AI实现"递归自我进化"（Physical RSI），其LVMM大型视觉记忆模型已与高通、英伟达达成合作，种子轮融资追加至1600万美元。
开源项目 Editable Design 结合视觉模型、HTML 代码与持续工作的 Agent，将 AI 生图重构为可编辑的设计文件，使文字可直接修改、图层可独立拖动，仓库展示了 14 组覆盖营销海报、信息设计等 6 类视觉任务的案例。
ArcLoop推出全栈AI故事引擎，围绕IP World统一管理角色、场景与视觉资产，解决AI漫剧长线连载中的角色一致性与世界观延续难题，创始人秦路此前在字节工作七年，公司已完成天使轮融资。
字节跳动发布新版豆包2.1 Pro（0915版本），重点升级多模态编程与视觉理解能力，可依据设计图、图纸和操作录屏生成代码，编辑团队通过山西3D旅行导览、小王子微缩星球等场景实测，验证其在Agent任务交付与Token效率方面的提升。
SimpleMemVLA由面壁智能联合华中科技大学等机构提出，将带时间戳的原生视觉历史直接作为机器人记忆上下文，在四项记忆基准取得SOTA并涌现视觉上下文学习能力，同时通过流式推理优化将60秒历史决策延迟从1.02秒降至0.68秒。
继 ICLR 2025 的 PolaFormer 之后，哈工大（深圳）与鹏城实验室合作的扩展版本 PolaFormer++ 近日被 IEEE TPAMI 正式接收。新版本在理论框架、特征映射设计和实验覆盖面上全面升级：首次给出判定特征映射是否具备「降熵尖锐性」的理论判据，并提出极性感知的通道级尖锐（PaCS）特征映射，在六大类视觉核心任务上全面验证了线性注意力的潜力。