BirdDreams:让驾驶世界模型同时理解第一视角与鸟瞰图
BirdDreams提出一种联合生成第一视角驾驶视频与鸟瞰视角视频的世界模型,将场景布局纳入未来预测,并借助BEV实现更直接的自车轨迹控制。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2275 篇文章
RSS 订阅BirdDreams提出一种联合生成第一视角驾驶视频与鸟瞰视角视频的世界模型,将场景布局纳入未来预测,并借助BEV实现更直接的自车轨迹控制。
阅读全文Neuro-VL 以近百万例临床神经影像检查训练,试图同时完成异常诊断、定位、报告生成和序列检查比较。研究显示,它在多项评测中超过了通用模型与专用医学模型。
阅读全文HDM提出“零或T”推理范式:模型要么用一次前向计算直接作答,要么在确有收益时执行完整的自回归推理。研究显示,这种路由机制有望在保持准确率的同时显著降低延迟与Token成本。
阅读全文一项研究发现,System 1 决策所需的信息主要集中在模型中间层,完整运行所有层并非总有必要。NESTONE 通过共享层、自蒸馏和轻量级门控,让同一个模型根据任务难度动态决定计算量。
阅读全文Roblox 研究团队提出 PixVid,在保留预训练视频扩散 Transformer 的基础上,用卷积头直接生成像素级视频。该方法旨在缓解潜空间压缩带来的分辨率、逐帧控制和交互延迟问题。
阅读全文Agent-R²提出了一套基于真实职业场景、工作流证据和公开文件的数据合成框架。研究显示,仅用约4000个任务实例训练的4B模型,在GDPval和OfficeQA上均超过更大规模的基线模型。
阅读全文WorldDraft 将4D世界构建与视频生成拆开,系统检验视频模型能否在遵守运动和镜头轨迹的同时,准确实现文本指定的外观。结果显示,结构保持与外观对齐之间仍存在明显张力。
阅读全文一项受控研究重新审视多模态模型的视觉编码方式:视觉编码器不一定需要预训练,但模型仍需要专门的视觉处理容量。研究还发现,这部分能力可以更早地融入主干网络,而不必完全置于多模态融合之前。
阅读全文Open Vision Banana 提出了一套可复现的开放方案,利用预训练图像生成模型统一处理分割、深度估计和指代表达等视觉任务。项目公开数据构建流程、代码、权重及消融检查点,并通过“图例集成”提升分割稳定性。
阅读全文据报道,亚马逊正在考虑建立覆盖全互联网商品的“全球商品图谱”,包括那些并不在亚马逊销售的商品。该项目旨在减少用户跳出亚马逊查找商品信息的需求,也为其购物人工智能提供更完整的数据。
阅读全文OpenAI正在为Dots AI代理推出ChatGPT Wallet,首批面向美国符合条件的ChatGPT Pro成年用户。代理可以根据用户指令准备订单,但每次付款仍需用户确认并完成生物识别验证。
阅读全文AI agent初创公司LangChain完成3亿美元C轮融资,估值达到30亿美元。依托开源背景和LangSmith平台,公司称其客户数已达7000家。
阅读全文一项针对模型权重的研究称,中国多家领先 AI 实验室的开放权重模型可能留下了英伟达 Blackwell GPU 的训练痕迹。即便这一判断成立,芯片究竟在哪里被使用、是否违反出口管制,仍有待进一步核实。
阅读全文随着编码智能体和 MCP 服务器进入生产环境,凭证暴露与提示注入带来的风险正在变得更加现实。Edera 提出将对象能力控制下沉到虚拟机监控器和运行时层,让智能体获得任务权限,却不直接接触底层密钥。
阅读全文ElevenLabs发布处于预览阶段的ElevenAI,试图将会议记录、语音听写和智能代理整合为面向团队的工作平台。它的目标不只是提高个人效率,还包括沉淀企业会议知识并推动后续行动。
阅读全文llama.cpp 与 ggml 正式进入 1.0.0 版本,重点不在单一性能突破,而在于为快速增长的本地 AI 生态建立稳定的 API、ABI 与发行机制。
阅读全文Anthropic 的 Claude Duet 试图把 AI agent 带给不写代码的职场用户。它擅长串联邮件、日历、文档和 Slack 中的线索,却仍会在提醒频率、语气判断和创作介入上显得过于积极。
阅读全文谷歌推出轻量级 C++ API LiteRT Tensor,允许开发者直接构建、修改和优化端侧机器学习计算图,并在 CPU、GPU 与 NPU 间保持较好的可移植性。其示例显示,统一的 C++ 图和零拷贝能力有望降低跨硬件部署与性能调优成本。
阅读全文当工具调用超时,AI代理无法确定操作究竟失败、成功提交还是仍在执行。新研究提出“证据引导恢复”框架,让代理在不确定状态下依据公开证据、安全约束和服务商能力继续决策。
阅读全文Duo v1 提出“互惠世界模型”,将智能体的意图推理与音视频行为生成放进同一套实时交互框架。它试图让模型不只是观察世界,还能持续参与、回应并处理打断。
阅读全文PolyRoute 将多语言、罗马化文本和代码混合输入纳入同一套三分类部门路由任务。结果显示,简单的 TF-IDF 基线表现强劲,而多语言编码器在不同语言和代码混合场景中的优势并不稳定。
阅读全文