在现实世界中，如何让智能体理解并挖掘 3D 场景中可交互的部位（Affordance）对于机器人操作与人机交互至关重要。所谓 3D Affordance Learning，就是希望模型能够根据视觉和语言线索，自动推理出物体可供哪些操作、以及可交互区域的空间位置，从而为机器人或人工智能系统提供对物体潜在操作方式的理解。
一直以来大多数时候都是直接告诉大家一张图的提示词是什么，且现在有更多工具和AI加持，写提示词也变得越来越简单几乎没有门槛，但是关于如何通过提示词更加精准控制画面得到自己想要的效果，其实还是有很多地方可以细说的。
港中文、清华等高校提出SICOG框架，通过预训练、推理优化和后训练协同，引入自生成数据闭环和结构化感知推理机制，实现模型自我进化，为大模型发展提供新思路。
近年来，端到端（End-to-End，E2E）自动驾驶技术不断进步，但在复杂的闭环交互环境中，由于其因果推理能力有限，仍然难以做出准确决策。虽然视觉 - 语言大模型（Vision-Language Model，VLM）凭借其卓越的理解和推理能力，为端到端自动驾驶带来了新的希望，但现有方法在 VLM 的语义推理空间和纯数值轨迹的行动空间之间仍然存在巨大鸿沟。
今天早上看到 Google 开完了他们的 Google Cloud Next 25，发了近 20 个 AI 相关的模型、应用、开发工具、硬件。
昨天，我就在正常刷抖音的时候。看到一个让我泪止不住的视频，特别是最后一幕。大概就是女生的父亲，去世了，那天晚上她用她父亲的手机发讣告的时候，看了一下他父亲，跟豆包的聊天记录。因为她父亲生前很爱用豆包，所以，想知道她父亲之前，跟豆包聊了什么。
用AI指导芯片设计，中科大王杰教授团队、华为诺亚实验室、天津大学提出全新芯片宏单元布局优化方法LaMPlace！
几乎每次重大产品发布前，Sam Altman 都会习惯性抛出「预告」，吊足网友的胃口，昨晚他也在 X 上化身谜语人，声称今天会推出一个「令人兴奋」的新功能。就在刚刚，这个新功能已经揭晓——全面升级的记忆功能。
商汤最新升级的日日新SenseNova V6解锁的新能力—— 原生多模态通用大模型，采用6000亿参数MoE架构，实现文本、图像和视频的原生融合。从性能评测来看，SenseNova V6已经在纯文本任务和多模态任务中，多项指标均已超越GPT-4.5、Gemini 2.0 Pro，并全面超越DeepSeek V3：
Google 终于下场了。搞了一个完全平替 V0、Bolt.new、Lovable 的产品 Firebase Studio。用自然语言一键生成网站或者App，后续还能集成 firebase 的各种服务，构建全栈应用。
