搜索
随着 Genie 3 的发布，可交互世界模型真正走到台前：用户不再只是观看生成视频，而是可以输入动作实时改变一个持续演化的世界。世界模型开始从「生成一段视频」走向「模拟一个可交互世界」，但能走进去，不等于经得起探索。模型能否持续响应控制、维持视觉与空间一致、遵守物理规律并记住来路，仍缺少系统评测。
OpenAI计划以3亿美金收购由前苹果工程师创立的AI影像公司Glass Imaging，以补充端侧视觉能力，布局多模态AI硬件。
理解生成统一模型（Unified Multimodal Models, UMMs）正在成为多模态模型的重要发展方向。相比传统的理解模型 + 生成模型，UMM 希望在同一个模型中同时完成视觉理解和图像生成，让文本和图像能够在统一上下文中被理解、推理和生成。
字节Seed团队推出Seed-Evolving第五版更新，通过统一Model ID实现周级自动迭代，在Coding Agent长程任务完成度和VLM视觉理解能力上均有显著提升，用户一次接入即可享受模型持续进化。
机器之心编辑部 几个小时前，ECCV 公布了今年度的最佳论文奖等奖项。 ECCV（European Conference on Computer Vision，欧洲计算机视觉国际会议）是计算机视觉（C
刚刚，DeepSeek 开源了 V4.1 Flash，原生支持视觉理解，也是全新架构系列中最小的一款模型，550B 总参数，输入时激活 8B，输出时激活 16B（你没看错，输入输出激活不同）
近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。
视觉编程成绩超GPT-5.4。
自动手语翻译中，一直存在一个隐蔽难题：模型即使已经较好地对齐了视觉与文本，也可能在逐词生成时，被某个局部合理、却缺少视觉证据支持的词带偏。
先学会画，再学会听话。 LLaDA-Image 在预训练和中期训练阶段直接从图片学习视觉先验，超过 90% 的累计生成训练样本采用 image-only 监督；图文对则集中用于后续语言对齐。模型权重、训练代码和完整配方同步开放。