2025-09-17
让机器人也能"理解"世界：北大团队打造会思考的通用机械手
这项由北大团队开发的OmniManip系统，通过创新的物体中心表示方法和双重闭环控制，让机器人能够理解自然语言指令并在复杂环境中精确操作。系统在12项真实任务测试中达到68.3%成功率，远超传统方法，展现了从服务机器人到...
2025-09-17
微软推出CoRAG：让AI学会像侦探一样一步步搜索信息
微软和人民大学联合开发的CoRAG系统让AI学会了多步骤推理，像侦探破案一样逐步收集信息解答复杂问题。该系统通过训练AI进行分步搜索，在多跳推理任务上比传统方法准确率提升10个百分点以上，并首次在KILT基准测试中创造新...
2025-09-17
南京大学团队突破视频超分辨率技术：让模糊视频重获新生的神奇方法
南京大学团队开发出STAR视频超分辨率技术，通过借用文本生成视频模型的智慧，配合局部信息增强模块和动态频率损失机制，成功解决了现实世界视频修复中的画质模糊和时间不连贯问题。该技术在多项测试中表现优异，特别是在处理人脸和文...
2025-09-17
机器人也能预测未来？上海AI实验室打造"会做梦"的机器人大脑
上海AI实验室等机构联合开发的EnerVerse系统，首次让机器人具备了"想象未来"的能力。通过将视频生成技术与机器人控制结合，该系统能够预测操作过程并生成相应动作。核心创新包括块状自回归生成、自由锚点视角和4D数据生成...
2025-09-17
日本Sakana AI实验室让大模型学会"自我改造"：AI系统首次掌握实时自我调节能力
日本Sakana AI实验室开发出Transformer?系统，首次实现AI模型实时自我调节能力。该系统通过奇异值微调技术，让大模型能根据任务类型自动调整内部参数配置，仅用传统方法1%的参数量就实现显著性能提升。系统采用...
2025-09-17
香港大学团队让视频编辑像玩拼图一样简单：把任何物体精准插入视频的魔法技术
香港大学联合阿里巴巴达摩院开发出VideoAnydoor技术，实现视频中物体的精准插入和运动控制。该技术通过ID提取器、像素变形器和3D神经网络三大创新组件，让用户仅需提供参考图片和轨迹就能完成专业级视频编辑。在多项评估...
2025-09-17
阿里巴巴团队发布MinMo：让AI和人类像朋友一样自然聊天的革命性语音模型
MinMo是阿里巴巴通义实验室开发的80亿参数多模态语音模型，在140万小时语音数据上训练，实现了全双工语音交互，支持多语言识别翻译、情感分析、风格控制等功能，语音响应延迟仅100-800毫秒，在各项语音任务上达到业界最...
2025-09-17
清华大学团队发布URSA：首个多模态数学推理过程奖励模型，让AI数学推理像人一样可验证
清华大学团队发布URSA系统，这是首个针对多模态数学推理的过程奖励模型。该系统通过创新的三阶段训练框架，不仅能解决复杂的图文结合数学问题，更重要的是能提供完全可验证的推理过程。URSA在六个标准测试中全面超越同规模开源模...
2025-09-17
中科院团队推出LLaVA-Mini：仅用一个视觉token实现高效图像视频理解
中科院团队开发的LLaVA-Mini实现了多模态AI领域的重大突破，将图像理解所需的视觉token从576个压缩至1个，性能不降反升。通过创新的预融合技术和智能压缩机制，该模型计算量减少77%，速度提升3倍，内存占用减少...
2025-09-17
阿里巴巴团队推出CODEELO：首个让AI与人类程序员公平竞技的编程挑战平台
阿里巴巴团队开发了CODEELO，这是首个让AI模型与人类程序员在相同条件下公平竞技的编程评估平台。该系统通过直接将AI代码提交到真实竞赛平台CodeForces进行评判，实现了零误判和完全公平的评估环境。测试33个主流...
2025-09-17
清华大学与快手联合推出VideoReward：让AI视频生成更懂人心的突破性方法
这项由清华大学与快手科技等机构合作的研究构建了包含18.2万个人工标注样本的大规模视频偏好数据集，开发了VideoReward多维度视频评价系统，并提出了Flow-DPO等三种对齐算法，成功让AI视频生成模型学会按照人类...
2025-09-17
ByteDance推出学术搜索神器：AI帮你轻松找齐论文，不再为文献调研发愁
ByteDance研究团队开发了PaSa智能学术搜索系统，通过双AI代理架构解决传统搜索局限性。系统能自动阅读论文、追踪引用网络，实现深度文献挖掘。在真实测试中，PaSa相比现有最佳方法在相关论文发现率上提升近40%。该...
2025-09-17
微软团队让AI聊天更快更省钱：SIGMA模型把计算机系统管理变成会说话的智能助手
微软团队开发的SIGMA是首个专为系统域任务设计的高效大语言模型，通过创新的DiffQKV注意力机制在保持性能的同时大幅提升推理效率，在长文本场景下速度提升达33.36%。该模型在系统管理任务上的表现全面超越GPT-4，...
2025-09-16
教会机器人在手机上“思考”的神奇方法：浙江大学团队如何让AI学会多步骤操作
这项由浙江大学与阿里巴巴通义实验室联合开展的研究，通过创新的半在线强化学习方法，显著提升了AI界面助手在多步骤任务中的表现。UI-S1-7B模型在多个基准测试中创造了7B参数规模的新纪录，为GUI自动化代理的发展开辟了新...
2025-09-16
阿里巴巴OmniThink：让机器写作像人类一样慢思深考的突破性框架
阿里巴巴联合浙江大学开发的OmniThink框架让AI学会像人类一样慢思考写作。通过信息树和概念池的双重架构，系统能够动态检索信息、持续反思，突破了传统AI写作内容浅薄重复的局限。实验显示该方法在文章质量各维度均显著超越...
2025-09-16
腾讯混元3D 2.0：让想象变为3D现实的神奇"数字魔术师"
腾讯混元3D 2.0是一个革命性的3D生成系统，能够从单张图片生成高质量的带纹理3D模型。该系统包含形状生成模块Hunyuan3D-DiT和纹理合成模块Hunyuan3D-Paint，采用创新的重要性采样和多视角一致性技...
2025-09-16
VITA-1.5：让计算机像人一样同时"看"和"说话"的革命性突破
VITA-1.5是首个实现GPT-4o级别实时视觉语音交互的开源多模态大语言模型。通过创新的三阶段训练策略，系统能够同时处理图像、视频和语音信息，实现端到端的语音对话，无需外部ASR或TTS模块。在多项基准测试中表现优异...
2025-09-16
VideoRefer套件：阿里达摩院让视频AI真正"看懂"复杂场景中的每个物体
阿里达摩院联合浙江大学推出VideoRefer套件，这是首个能够精确理解视频中特定物体的AI系统。该系统不仅能识别整体场景，更能针对用户指定的任何物体进行详细分析和跨时间追踪。研究团队构建了包含70万样本的高质量数据集V...
2025-09-16
UC默塞德等高校联合推出Sa2VA：让AI同时看懂图像和视频的智能助手
Sa2VA是由UC默塞德等高校联合开发的突破性AI系统，首次实现图像视频的统一理解与精确分割。通过巧妙融合SAM-2视频分割技术和LLaVA多模态对话能力，Sa2VA能够同时进行自然对话和像素级物体标注。研究团队还构建了...
2025-09-16
Lightricks团队打造视频生成新利器：2秒生成5秒视频的LTX-Video模型
LTX-Video是由以色列Lightricks公司开发的革命性开源视频生成模型，能够在2秒内生成5秒高质量视频，实现了比实时播放更快的生成速度。该模型创新性地整合了视频压缩和生成过程，采用1:192的超高压缩比和共享去...