复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」多模态大模型掉进真实世界，会“失聪”。
来自主题: AI技术研报
5804 点击 2026-03-12 14:10
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
多模态大模型掉进真实世界，会“失聪”。
LyapLock首次让大模型在上万次知识更新中稳住旧记忆、精准学新知。它用「虚拟队列」实时监控遗忘风险，动态平衡新旧知识，理论保证长期不崩盘，编辑效果比主流方法提升11.89%，还能赋能现有模型，让AI真正学会「持续成长」。
2026 年伊始，AI 的进化逻辑正从「单一工具赋能」转向「场景深度共生」，当大模型在各领域持续突破，前沿科研与新材料研发领域，正迎来一场由 Agentic AI 驱动的效率革命。
当前，大语言模型（LLMs）和视觉语言模型（VLMs）在语义领域的成功未能直接迁移至物理机器人，归根结底在于其互联网原生的基因。
大家是否有这样的感觉？给定几张场景中拍摄的图片，往往能够在脑海中想象出这个场景的三维布局，然而当前的多模态大模型还停留于纯文本或者 2D 视觉的推理表示，限制了图像中隐含几何结构的表达能力。
如果你在过去一年关注过大模型训练的技术，大概率听过 Muon 这个名字 —— 这个在月之暗面 K2 模型的相关讨论中走红的优化器，被视为是可能挑战 Adam 的新秀。它的思路很直接：对动量矩阵进行正交化，让各个奇异方向上的更新速率一致，提升训练效率。
最近，一批顶级通用大模型参加了三场特殊的“工业执业考试”。
这两年，大模型大厂之间堪比军备竞赛。不论开源还是闭源阵营，为了在指标上领先对手，都在疯狂地卷 Scaling Law，卷算力，卷参数量，已经达到了近乎离谱的程度。
OpenAI的最新研究揭示了一个反直觉的真相：越强大的推理模型，越管不住自己的「脑子」。在CoT-Control套件测试的13款前沿模型中，DeepSeek R1控制自身思维链的成功率仅为0.1%，Claude Sonnet 4.5也只有2.7%。
视觉世界模型 “VideoWorld 2” 由豆包大模型团队与北京交通大学联合提出。不同于 Sora 2 、Veo 3、Wan 2.2 等主流多模态模型，VideoWorld 系列工作在业界首次实现无需依赖语言模型，即可认知世界。