近年来，「scaling」是计算机视觉研究的主角之一。随着模型尺寸和训练数据规模的增大、学习算法的进步以及正则化和数据增强等技术的广泛应用，通过大规模训练得到的视觉基础网络（如 ImageNet1K/22K 上训得的 Vision Transformer、MAE、DINOv2 等）已在视觉识别、目标检测、语义分割等诸多重要视觉任务上取得了令人惊艳的性能。
预计到 2032 年将达到 882 亿美元，人工智能教育市场释放巨大潜力
视觉语言模型屡屡出现新突破，但ViT仍是图像编码器的首选网络结构。
最近，字节旗下的一款视频生成AI——Dreamina 开始大规模开放测试。 Dreamina 不算是新产品，但现在它与 Sora 最大的区别，不是模型能力，而是它真的是能使用的。
《DoraemonGPT: Toward Understanding Dynamic Scenes with Large Language Models》
120秒超长AI视频模型来了！不但比Sora长，而且免费开源
“今年夏天，我会和我的AI男友结婚。”
UT奥斯丁等机构提出了一种名为StreamingT2V的技术，让AI视频的长度扩展至近乎无限，而且一致性，动作幅度也非常好！
在认知科学领域，人类通过持续学习改变认知的过程被称为认知迭代（Cognitive Dynamics）。形象地说，认知迭代就像是我们大脑的「软件更新」过程，手机应用通过不断的更新来修复 bug 和增加新功能，我们的大脑也通过不断学习新知识、经验，来改善和优化思考方式。
还在苦苦寻找开源的机器人大模型？试试RoboFlamingo！
