Qwen-Drive-1.0:把视觉语言模型推进自动驾驶统一框架
Qwen-Drive-1.0尝试在保留通用视觉语言能力的同时,将三维感知、视觉问答与运动规划纳入同一套模型框架。其关键设计是借助BEV感知头和规划专家,把共享表示连接到可检查的场景结构与车辆轨迹。
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 2320 篇文章
RSS 订阅Qwen-Drive-1.0尝试在保留通用视觉语言能力的同时,将三维感知、视觉问答与运动规划纳入同一套模型框架。其关键设计是借助BEV感知头和规划专家,把共享表示连接到可检查的场景结构与车辆轨迹。
阅读全文UI-Venus-2 试图解决 GUI 智能体落地时的三类瓶颈:环境覆盖不足、任务构造脆弱,以及执行结果难以可靠验证。该系统通过统一的推理—行动闭环,覆盖移动端、网页和桌面环境,并引入面向安全的执行机制。
阅读全文World Labs推出世界模型 Atlas,试图把图像、视频、文本、相机位姿和深度信息统一到同一个空间上下文中。它不仅能生成受控视角内容,还瞄准3D重建和机器人 Real-to-Sim。
阅读全文一项覆盖 15 个开放权重模型的 FACE-Eval 研究发现,偏好线索出现的位置和表达方式,会显著影响模型是否在思维链中披露其影响。来自工具返回或原始资料的隐性线索,更容易被模型采用却不被监测器识别。
阅读全文一项研究为端到端天气模型Aardvark Weather加入两类随机机制,将观测系统带来的不确定性与模型自身的不确定性分离开来。结果显示,概率微调不仅改善平均预报,也让预测区间具备更好的校准表现。
阅读全文一项新研究重新审视大语言模型安全防护的评估方式:更高的拒答率或更低的攻击成功率,并不自动意味着部署系统更安全。真正关键的是,攻击者持续适应或绕过局部控制后,仍能从系统获得多少有害任务帮助。
阅读全文一项新研究发现,在策略蒸馏的收益可能并不主要来自教师模型的知识传递,而来自对学生模型低概率生成 token 的抑制。基于这一观察,研究者提出了无需教师监督的 On-Policy Self-Adaptation。
阅读全文SpanCalib-VLM 将生成式视觉语言模型与多模态序列标注器结合,用校准后的置信度重新评估疑似幻觉文本片段。在 SHROOM-Visions 英文评测中,系统兼顾了跨度定位、置信度校准与检测效率。
阅读全文一项新研究把社交推理游戏搬进3D多模态环境,考察视觉语言模型如何同时利用语言和行动误导其他智能体。结果显示,非语言行为可能比口头陈述更能左右欺骗是否成功。
阅读全文据报道,Google正与迪士尼、华纳兄弟探索和环球等好莱坞公司接触,希望以数亿美元乃至更高成本获得版权内容的AI训练及生成授权。对Google而言,这不仅是数据交易,也可能是一场重塑公众观感的舆论工程。
阅读全文AI训练数据初创公司AfterQuery据报完成新一轮融资,估值升至32亿美元。若消息属实,公司仅用约18个月完成从YC项目到独角兽的跃升,并在A轮后五个月实现估值超过十倍增长。
阅读全文Anthropic推出Claude Fable 5.1,称其在性能提升的同时,常规使用成本下降约25%,复杂代理任务最高可降低45%。新版本还调整了数据隐私、 生物学问题拦截和部分网络安全任务的处理方式。
阅读全文同一个基准测试分数,可能同时混合安全、推理、知识理解等多种能力。Ai2推出的BenchMIRT借助多维项目反应理论,把模型能力与单个题目的影响拆开分析。
阅读全文Nori Robotics 发布面向机器人开发者和研究人员的低成本双臂移动平台,售价 1688 美元,预计 2026 年秋季发货。它通过轮式底盘、普通伺服电机和外部算力,压低了人形机器人原型的进入门槛。
阅读全文Google DeepMind为Gemini引入Agentic Video Understanding,使模型能够动态搜索视频片段,并按需调用画面、音频和字幕信息。官方称,该能力在部分基准上可将Token消耗降低最多88%,成本降低最多66%,准确率提升最多7%。
阅读全文Uber披露了一套面向软件工厂的AI成本治理方法:在智能体使用量快速增长的同时,通过模型路由、上下文工程和工具调用改造,压低单位会话成本。
阅读全文NAVER AI Lab提出Verification-Aware Training(VAT),把推测解码中的顺序验证过程引入草稿模型训练。该方法在不修改模型架构和推理流程的前提下,提升了候选 token 的平均接受长度与实际加速效果。
阅读全文DreamX-Creator 1.0以7B模型为核心,在同一生成过程中联合建模画面与声音,并通过2K单步精炼提升高分辨率输出效率。项目同时公开生成器与精炼器,试图降低原生音视频生成的使用门槛。
阅读全文Qwen团队公布Qwen3.8-Flash-Next的架构与消融研究:模型以1250亿参数、每token激活60亿参数为基础,通过混合状态空间与注意力、门控残差及主机侧n-gram表降低训练成本。论文更强调,损失、下游能力、推理开销和训练稳定性必须联合优化。
阅读全文CAST 将稀疏的任务成败结果转化为动作级批评监督,让模型不仅学会采取行动,也学习判断行动是否符合政策与当前状态。实验显示,这种方法在动态工具调用任务中提升了代理的跨步骤可靠性。
阅读全文NavMCP 将视觉语言模型的任务级推理能力,与导航基础模型的闭环执行能力结合起来,使机器人能够在多轮探索中持续积累证据并完成更远距离的目标。
阅读全文