给Transformer变个形，LLM竟能变得更聪明
给Transformer变个形，LLM竟能变得更聪明2026 年 6 月，大模型行业正在经历一场前所未有的「开源海啸」：英伟达放出了 550B 参数的混合架构模型，谷歌送出多模态的 Gemma 新版本，智谱用最宽松的协议全量开源了自家旗舰模型。
来自主题: AI技术研报
8270 点击 2026-06-30 10:20
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
2026 年 6 月，大模型行业正在经历一场前所未有的「开源海啸」：英伟达放出了 550B 参数的混合架构模型，谷歌送出多模态的 Gemma 新版本，智谱用最宽松的协议全量开源了自家旗舰模型。
现阶段大多数人形机器人的运动控制还局限于 “有参考才能动” 的被动跟踪模式。
豆包产品无敌，但Seed模型一直不温不火，大伙对它的印象就两个： 工资高，隔三差五就有千万年包上亿年包新闻，也不知道真假；多模态，但编程能力不太行。
清华系物理AI企业「清研精准」已于近日完成数亿元B3轮融资，本轮融资由北京市绿色能源基金、北汽产投领投，裕隆集团跟投。据悉，该轮资金将会用于核心人才招募、多模态数采设备的研发与规模化部署，以及算力采购与模型训练基础设施建设等方向。
刚刚，Om AI发布全球首个面向物理世界的端侧流式多模态模型系列——VLX。VLX主打真实世界的端侧与具身场景，总共三款模型，三天连发：这三款模型连起来，不仅构成了多模态模型持续感知、精准定位、行动决策的能力闭环。
南大王利民团队&腾讯混元的HYDRA系列（HYDRA，HYDRA-X）工作挑战了这个惯例，用一个基于ViT的统一视觉Tokenizer，帮助原生多模态模型更好地“看懂”和“创作”。训练一个基于ViT的Unified Tokenizer，使其同时具有理解和生成的能力，进而同时作为理解和生成的Autoencoder，来支持原生多模态模型（Unified Multimodal Models）的训练。
押注 AI 的 Memory Layer。
近年来，大语言模型（LLMs）在长篇视觉叙事中展现出卓越潜力，生产方式正迅速从单一模型生成转向面向生产的智能体系统。但长视频剪辑仍然是一个极难控制的长期任务。模型有时会在缺乏素材依据的情况下强行生成，甚至在面对明显断档的转场或人物不一致时依然“盲目拼接”。
从原始视频出发，无需人工介入，自动生成 3D 重建、深度、2D mask、3D 框、实例描述、3D grounding 和空间问答。Holi-Spatial 试图把「空间智能」的数据生产，推进到自动化、可扩展的新阶段。
端午节前，DeepSeek 不出所料又有了新动作：官方平台全量推送了识图模式，手机端 App 也发布了更新，打开就能看到。此前，已经有不少网友体验过这个功能，但当时它还处在小范围的灰度测试阶段，只有部分用户能够在官方 App 或网页版里看到。但是今天下午，很多人都表示自己也能用了。