OMG多模态人形机器人运动生成框架：一句话、一段音乐即可操纵机器人完成全身动作
OMG多模态人形机器人运动生成框架：一句话、一段音乐即可操纵机器人完成全身动作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。
来自主题: AI技术研报
10215 点击 2026-06-29 15:50
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
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。
大语言模型的RL技术已日趋成熟，多模态生成模型的强化学习训练却仍在“各自为战”——图像扩散模型一套流程、视频生成另一套标准、VLM和LLM又有不同的技术栈。