扩散语言模型驱动的实时交互视频模型：SigmaZ 完成数百万美元融资
扩散语言模型驱动的实时交互视频模型：SigmaZ 完成数百万美元融资Pixel 擅长表达 appearance，Code 擅长表达 structure；未来会进入 Pixel-Code 联合的视觉表达。
来自主题: AI技术研报
7652 点击 2026-08-20 10:54
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
Pixel 擅长表达 appearance，Code 擅长表达 structure；未来会进入 Pixel-Code 联合的视觉表达。
视觉 - 语言 - 动作（VLA）模型已成为端到端自动驾驶的主流技术路线，但基于自回归（AR）解码的现有架构面临双重结构性瓶颈：其一，逐 Token 串行生成导致推理延迟随序列长度线性增长，严重制约实时部署；其二，训练阶段依赖真实前缀的 teacher forcing 机制，使模型在推理时暴露于自身生成的误差之上，引发长时序累积的曝光偏差（exposure bias）。
最近，第三方视觉评测机构Roboflow，把GPT-5.6 「全家桶」拖进自家VLM基准跑了一圈。测试的内容，都是最实在的活儿：找东西、数东西、认字、抽信息。仅在目标检测这项，上一代GPT-5.5只拿到13.8分。这个分数，在视觉模型圈里基本等于交白卷。
DeepSeek Harness这下真快被网友「插成万物」了。小黑鲸上线还没多久，单单在GitHub上打着dsh-plugin标签的公开仓库，就已经冲到了700+个？？？有人给它装浏览器、长期记忆、数据库和任务管理；有人嫌DeepSeek不会看图，现场接了个视觉模型进去。
这次百花奖时间紧、任务重，好在豆包帮了金启棣大忙。在豆包工作任务模式下，他把舞台数据、观众规模、视觉需求等一并交给豆包。豆包很快就生成了舞美概念和效果图，让原本模糊的创意迅速落地。在此基础上，舞美设计团队继续精修，省下了大量做基础工作的时间。
刚刚，阿里千问大模型团队开放Qwen3.8-2.4T-A95B模型权重！ Qwen3.8-Max是基于Qwen3.8-2.4T-A95B的官方版本，于8月3日发布，拥有更多功能，例如视觉输入功能、无需思考即可使用、默认支持1百万上下文长度处理、内置官方工具等。
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。
当下计算机视觉长期陷入“一任务一专用模型”内卷： 做深度估计要用DepthAnything，分割依赖SAM，人体姿态单独训练Sapiens，几何重建还得搭VGGT，各类网络骨干、解码器、损失函数完全割裂，研发与部署成本居高不下。
根据雷锋网报道，快手可灵AI核心技术骨干王鑫涛已确认离职。有知情人士透露，其下一站大概率将前往另一家头部互联网大厂。公开资料显示，王鑫涛本科毕业于浙江大学，博士阶段进入香港中文大学多媒体实验室深造，师从汤晓鸥教授，长期深耕计算机视觉与生成式AI方向。
面向设计生产场景，兔展智能研发了UniWorld-Design，进一步强化了视觉生成与编辑能力的结合，并基于此打造了产模一体战略的重要产品——RabbitVis。AI正在从通用能力竞争，进入场景能力竞争