搜索
VLA 大模型看似强大，却被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。招商局先进技术研究院下属实验室提出新的移动数据范式，首次在真实机器人系统上证明：让相机动起来采集数据，就能以极低成本破解 VLA 的空间泛化瓶颈，且效果普适于多种主流架构。被一个致命弱点扼住喉咙——相机稍微挪动几毫米，操作成功率就能暴跌一半。
针对这一问题，openJiuwen社区正式发布Skill-Omni——业界最早工程化落地的多模态Skill范式。 它让Agent的经验从“读得懂”升级为“看得见”，把网页和视频中的视觉知识，沉淀为Agent可复用的多模态Skill。
刚刚，翁荔（Lilian Weng）又更新博客了！距离她上一次更新《谨慎对待 Scaling Law》还不到 10 天。这一次，她书写的主题是当前大热的 Harness Engineering，聚焦的正是当下 AI 研究最前沿一个环节：当模型本身的智能已经足够强大时，真正决定它能走多远的，或许是包裹在模型外面的那层「Harness」也就是负责编排模型思考、调用工具、管理上下文、评估结果的那套系统。
刚刚，DeepSeek 在官方 API 文档里给出了一个 thinking mode 和 tool call 结合使用的样例。表面上看，这只是一个常规的工具调用演示：用户提出问题，模型判断需要调用工具，工具返回结果后，模型再继续生成答案。
General Intuition 做的事听起来有点绕：用游戏数据训练现实世界里的 AI Agent。换成更直白的话说，General Intuition 做的是让 AI 先在游戏里学会“怎么行动”，再把这种能力迁移到机器人、无人机、自动驾驶、仿真环境里。
视频虚拟试衣（VVT）作为电商展示与数字内容创作中的核心技术，已在动态人物换装、服装纹理保持和视频时序连贯性方面取得显著进展。然而，现有方法大多仍受限于固定相机视角，生成结果被动依赖源视频的原始相机轨
以 LeWorldModel（LeWM）为例，它在规划时有一个重要瓶颈：每评估一条候选动作序列，模型都要一步步自回归 rollout。也就是说，LeWM 先预测下一步 latent，再把预测出的 latent 输入 dynamics model，继续预测下一步：
手机GUI Agent正在从「看懂屏幕、点击按钮」走向更复杂的跨App自动化任务：这些任务听起来并不复杂，但对现有手机GUI Agent来说，一个核心难题始终存在：任务一长，就容易忘。
AI视频生成技术迅猛发展，生成内容的逼真度不断提升，现有检测方法已无法满足需求。最新综述提出「事实保真度验证」新目标，从视觉与语言双视角梳理出四层检测框架，涵盖底层线索、时空一致性、跨模态核验及世界知识推理，强调多层证据耦合与可解释性。
蚂蚁灵波的 LingBot-Depth 2.0，一出手就是王炸——12项世界第一！深扒内幕发现：他们竟然直接抛弃了 DINOv3，从头自研预训练基座，仅用11亿参数暴力干翻70亿大魔王，且宣布重磅开源。