⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 4 条
8月20日周四
  1. 量子位33

    TennisVAR 提出基于击球证据的战术推理框架，在 TRACE 基准上超越通用模型

    TennisVAR 是厦门大学等团队提出的网球多模态大模型，专攻基于击球证据的战术推理。其在 TRACE 基准中 T-F1@8 达 73.04、T-IoU@4 达 56.19，显著高于 GPT-5.5 的 37.03 和 24.54。该模型采用事件解析与战术图引导时序推理，能将击球事件转化为战术证据链，提升 AI 对体育赛事的深层理解能力。

  3. CVer21

    ICML 2026 | 美图影像研究院提出 FlowSeg：双向语义流引导动态条件分割

    美图影像研究院提出 FlowSeg 模型，通过引入双向语义流解决条件分割中的语义对齐失效问题。该模型在 RefCOCO 等指称表达分割数据集上达到最佳水平，并在 ReasonSeg 测试集上取得超 10% 的领先优势。基于此技术，美图云修与美图秀秀 APP 已上线“杂物消除”功能，实现对电线杆等杂物的智能识别与无痕消除。

8月19日周三
8月18日周二
  5. 新智元54

    浙大开源PhyEdit：结合3D基础模型实现单图精准物体三维操作

    浙江大学ReLER团队开源PhyEdit，通过冻结3D模型估计深度并生成几何预览，指导DiT图像编辑器在单张图片中完成物体沿指定三维轨迹的精准移动。在ManipEval基准上，PhyEdit的DIoU达到65.33，匿名盲测整体偏好率为78.0%。框架支持替换不同3D几何backbone以保持正向增益，并在搬动物体的同时保持87.5%的附加外观编辑成功率。

  6. 新智元67

    GPT-5.6 视觉能力评测：目标检测性能提升三倍

    第三方机构 Roboflow 的评测显示，GPT-5.6 Sol 在目标检测基准测试中得分 46.2，较上一代 GPT-5.5 的 13.8 分提升超过三倍。GPT-5.6 系列在文档版面识别和密集场景计数方面表现显著，但在复杂定向提取任务上的准确率较 GPT-5.5 有所下降。在 2000×2000 像素以上图片中，Sol 模型会出现检测框漂移不稳定现象，需调高推理档位或预处理图片以解决。

    推荐理由：第三方评测显示 GPT-5.6 系列在视觉检测任务上大幅领先上一代，但成本显著高于竞品，读者可据此判断其在不同业务场景下的适用性。

8月17日周一
  1. Google Research44

    Google 发布 PhotoScan：通过智能手机影像估算身体成分并预测胰岛素抵抗风险

    Google Research 推出实验性深度学习框架 PhotoScan，可直接从标准 2D 智能手机照片估算体脂率、Android/Gynoid 脂肪比和内脏/皮下脂肪比。在独立验证队列中，PhotoScan 的体脂率预测 MAE 为 2.13，优于基于智能手表的生物阻抗分析传感器。该框架旨在提供一种可扩展、无创的近 DXA 精度方法来预测胰岛素抵抗。

  4. AI产品阿颖79

    智象未来发布世界模型 HiDream-O1-World，多项指标比肩 Google Genie 3

    智象未来发布世界模型 HiDream-O1-World，支持漫游和编辑模式，可实时生成动态交互世界。技术层面，模型采用原生全模态 UiT 架构统一视觉、声音和动作学习，通过 3D 先验记忆与测试时训练（TTT）保持空间一致性，并引入物理场景数据提升运动规律准确性。

    推荐理由：原文详述了模型在多模态统一、空间记忆和物理规律上的技术细节，给出了可对比 Genie 3 的性能基准。

  5. 苍何80

    智象未来发布 HiDream-O1-World 原生全模态交互式世界模型

    智象未来发布 HiDream-O1-World，提供漫游、编辑和交互能力，并在美团 LongCat 团队与复旦大学推出的 WBench 基准上取得综合 80.9 分的成绩。该模型通过 3D 先验注入 Memory 上下文与 Test-Time Training 机制实现场景持久性，支持实时生成互动影游内容，并可与诺亦腾机器人合作生成具身智能仿真环境。

    推荐理由：原文将新模型置于可量化评测与具身仿真背景下，指出其记忆机制如何支撑交互场景的连续性。

8月15日周六
8月14日周五
  2. 卡尔的AI沃茨58

    飞猪帮帮实测：内嵌式旅行 AI 覆盖帮我想帮我订帮我办

    作者实测飞猪新推出的内嵌式 AI 助手飞猪帮帮，它嵌在机票、酒店、度假等页面中，会根据当前页面和用户需求切换选项，用半屏形式直接在当前页面完成操作。作者用它规划 16 天新西兰蜜月行程，一次性得到覆盖萤火虫洞、皇后镇、蒂卡波湖、霍比特村等景点的路线、机票酒店、门票和人均预算，还生成了符合签证要求的英文行程规划单，并解答了新西兰自驾证件、右舵规则、保险等问题。

  6. 极客公园56

    阿里云，接得住中国智驾吗？

    阿里云在乌兰察布数据中心举办智驾论坛，提出以数据、模型、算力三层打通的产线应对智驾进入大模型时代的基础设施需求。文中介绍阿里云数据产线日处理能力达百万级 clips，支撑模型以天为单位迭代；千问可作为 VLA 基座选择，万相可作为世界模型生成引擎；人工智能平台 PAI 统一调度国产芯片，有效算力利用率稳定在 97% 以上。

8月13日周四
  9. Microsoft Research37

    Microsoft 研究发布 MindTopo 基准以评估 VLM 的空间拓扑推理能力

    Microsoft 研究推出新基准 MindTopo，用于测试多模态大语言模型在连通性、闭合等拓扑概念上的推理与规划能力。当前模型在静态图像识别上表现优于交互规划任务，且普遍低于人类水平，主要失败原因在于规划阶段无法维持结构关系。该基准旨在为机器人等交互环境中的 AI 系统提供诊断工具。