0.9B跑出90%真机成功率！上海交大为VLA补上空间感
0.9B跑出90%真机成功率！上海交大为VLA补上空间感机器人看得见，但不一定看得准。
来自主题: AI技术研报
5301 点击 2026-05-26 15:23
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
机器人看得见，但不一定看得准。
当下视觉生成正陷入一个能力错位困境—— 扩散模型的像素画质已接近完美，但一遇到需要逻辑推理的生成任务就频频翻车。
大语言模型在地图、城市、交通等空间领域的应用越来越广泛。对于这些场景来说，问题往往不只是 “查一个地点” 或 “调用一次路线 API” 就能解决的，而是需要把用户的自然语言问题组织成一段可执行、可验证的地理分析流程。
马斯克在X上发帖透露，xAI自家的Grok基础模型V9-Medium（1.5T）已经完成训练。预计再过2到3周，差不多就能正式对外发布啦：马斯克特意提到，V9-Medium的补充训练中加入了大量Cursor数据，后续还会继续添加。
VeRL-Omni 是一个面向多模态生成模型的通用 RL 后训练框架，由 VeRL-Omni 团队在 verl 与 vllm-omni 之上构建。覆盖扩散 transformer（Qwen-Image）、混合 AR-DiT（Qwen-Omni）、统一理解 + 生成（BAGEL、HunyuanImage-3.0）等架构。
今年以来，在线策略蒸馏 OPD（On-Policy Distillation）已经逐渐成为大厂 LLM 后训练中的重要组件，例如 DeepSeek-V4，GLM5 就使用了多教师 OPD 来整合不同领域专家模型的能力，相比混合奖励强化学习收敛更快、效果更好。
多模态训练狠狠烧钱，世界模型公司也都在疯狂融资。
具身智能（Embodied AI）正在快速从实验室走向真实世界。
5 月 22 日，Tri Dao 在社交媒体上转发了 Han Guo 的一条推文。他还写道：「经过一些数学重写，结果发现 Transformer 的所有内容都是一系列 GEMM + epilogue（矩阵乘法加尾声）。给定一些优化的原语，LLM（以及新手）就可以为所有 Transformer 操作编写光速内核！」
近日，Meta 曝光的一段内部录音显示： 公司为了训练大模型，正通过监控工具监视员工在电脑上的鼠标和键盘操作。