共 62 篇
生成式模型当检索器大材小用效果还不好？ 当多模态大模型（MLLM）凭借强大的图文理解与逻辑推理能力成为AI领域的核心抓手，将其应用于图像检索尤其是组合图像检索（CIR）任务，本应是降维打击的最优解。 然而现实却相悖：把生成式大模型强行改造为判别式检索器后，模型会出现严重的能力退化，连原本100%能精准解决的问题都频频出错，生成式与判别式的范式冲突，成为大模型向检索领域落地的核心壁垒。 如今，这一行业难题被AI国家队紫东太初团队联合新加坡国立大学成功攻克。其最新研究成果ReCALL框架，凭借独创的“诊断-生成-校准”闭环体系，从根本上解决了大模型从生成式到判别式的范式冲突问题，让大模型在保留原生
全球首个1毫秒级人体动作捕捉系统FlashCap，通过闪烁LED与事件相机结合，实现1000Hz超高帧率捕捉。无需昂贵设备或强光环境，低成本穿戴服即可精准捕捉极速动作。团队同步开源715万帧的FlashMotion数据集与多模态模型ResPose，显著提升运动分析精度，推动体育、VR与机器人领域迈向高动态智能新阶段。
当你希望 AI 将 "士兵举起手臂，向后倾身，然后身体向前扑倒" 这段文字转化为一段 3D 角色动画，现有大多数方法给出的答案是：一段摇摇晃晃、语义残缺的短片段。这并非模型能力不足，问题的根源在于将运动表达为逐帧离散序列这一根本性的设计决策。
近年来，随着 Sora、Seedance 等文本到视频（T2V）扩散模型的飞速发展，AI 视频生成在视觉保真度与动态表现上已取得突破性进展。特别是近期备受瞩目的 Seedance 2.0，展现出了极其强大的多镜头叙事与复杂分镜控制能力。
在自动驾驶、具身智能、AR/VR应用中做3D重建，大家都想解决一个终极问题： 模型能不能像人一样，一边往前看，一边持续构建三维世界？
在 AIGC 领域，基于参考图像的图像修复（Reference-based Inpainting）一直是一项备受关注的核心任务，它旨在利用参考图像引导修复过程，生成视觉一致的内容。这一技术在广告营销和电商领域有着巨大的应用潜力，例如让 AI 自动生成 “真人手持或穿戴商品” 的展示图。
多模态大模型，到底有多“嘴硬”？ 浙江大学联合阿里巴巴、香港城市大
EmoStyle 由深圳大学可视计算研究中心黄惠教授课题组独立完成，第一作者为杨景媛助理教授，第二作者为研二硕士生柏梓桓。深圳大学可视计算研究中心（VCC）以计算机图形学、计算机视觉、人机交互、机器学习、具身智能、可视化和可视分析为学科基础，致力前沿探索与跨学科创新。
当人们谈到“世界模型”（World Models）时，很多人会首先想到近年来迅速发展的生成式视频模型。
过去一年，具身智能领域迎来了爆发式增长。从后空翻到托马斯回旋，从整理衣物到冲泡咖啡……各类令人惊艳的机器人演示视频层出不穷。