跳到正文

技术方向

空间智能 最新动态

三维重建、空间表示、视觉定位和可交互环境中的感知与推理。

760 条精选近 30 天 559 条共收录 4,114 条

更新

精选归档 · 第 38 页

7月26日周日第 741–760 条
  1. Berkeley BAIR Blog65

    ABBEL:学习自然语言信念状态以实现内存高效的长程交互

    针对大语言模型在长程交互中因上下文过长导致性能下降的问题,文章提出 ABBEL 框架,将递归摘要任务转化为对自然语言“信念状态”的监督更新。通过引入基于重构的“信念分级”机制,该框架在 CollabBench 协作编程和 Combination Lock 游戏中显著缩小了与全量上下文模型的差距,同时大幅降低峰值 Token 消耗并减少训练步数。

    推荐理由:提出 ABBEL 框架,通过监督自然语言信念状态更新解决长程交互中的上下文压缩性能损耗问题。

7月21日周二
  1. World Labs · Research & Insights63

    World Labs 收购机器人公司 SceniX

    World Labs 宣布收购机器人公司 SceniX,双方将整合在空间智能、世界模型、基于学习的仿真以及闭环现实学习方面的互补技术实力。官方表示未来将分享 SceniX 的早期技术细节及其在具身智能领域的具体应用前景。

    推荐理由:World Labs 宣布收购机器人公司 SceniX,旨在整合双方在空间智能、世界模型及仿真学习领域的技术优势以推动具身智能发展。

7月17日周五
  1. 奥比中光 Orbbec · News70

    Orbbec 发布面向物理 AI 的无机器人数据采集硬件平台

    Orbbec 在上海世界人工智能大会(WAIC)上发布了与蚂蚁集团具身智能公司 Robbyant 合作研发的“无机器人数据采集硬件平台”,核心产品为基于 Gemini 330 系列相机的 EGO RGB-D 头戴式采集设备。

    推荐理由:Orbbec 发布面向物理 AI 的无机器人数据采集硬件平台,其深度增强模型在多项基准测试中表现领先。

7月7日周二
  1. 奥比中光 Orbbec · News68

    Orbbec 发布无机器人数据采集平台并推出经认证的 LingBot-Depth 2.0 空间感知模型

    Orbbec 与蚂蚁集团 Robbyant 深化合作,Robbyant 发布下一代空间感知模型 LingBot-Depth 2.0,该模型已通过 Orbbec 深度视觉实验室认证。

    推荐理由:Orbbec 与蚂蚁集团 Robbyant 联合发布经认证的 LingBot-Depth 2.0 深度补全模型,结合 Gemini 330 相机硬件解决透明物体等复杂场景感知难题。

6月29日周一
6月3日周三
  1. World Labs · Research & Insights75

    World Labs:世界模型的三种功能分类及融合趋势

    World Labs 团队发布关于世界模型的功能分类法,将现有系统分为渲染器(输出像素)、仿真器(输出物理状态)和规划器(输出动作)。文章指出当前行业过度关注渲染与规划,而忽视作为结构骨架的仿真,并介绍其项目 Marble 通过同时生成高斯泼溅图与碰撞网格来模糊渲染与仿真的边界。最终目标是构建能统一处理视觉、物理结构与行动序列的基础模型,以推动空间智能的发展。

    推荐理由:文章提出渲染器、仿真器与规划器正从功能分离走向统一,指出仿真作为连接视觉与行动的枢纽是解决 sim-to-real 差距的关键。

6月1日周一
  1. NVIDIA Blog · Physical AI82

    NVIDIA 发布 Cosmos 3 世界基础模型以辅助物理 AI 在行动前进行思考

    NVIDIA 在 GTC Taipei 和 COMPUTEX 上发布了开源世界基础模型 Cosmos 3,该模型整合视觉推理、多模态生成及动作预测能力,旨在帮助机器人、自动驾驶车辆等物理 AI 系统理解场景因果并预测未来状态。

    推荐理由:NVIDIA Cosmos 3 作为开源世界基础模型,整合视觉推理与多模态生成能力,支持机器人及自动驾驶场景的因果预测与动作规划。

5月16日周六
  1. Google DeepMind72

    Gemini 3.5:前沿智能与行动能力的结合

    Google DeepMind 发布 Gemini 3.5 Flash 模型,该模型在终端基准、代码生成及多模态理解任务上表现优异,推理速度达到其他前沿模型的 4 倍。作为首个面向公众的 3.5 版本,它默认用于全球用户的 Gemini App 和搜索 AI 模式,并驱动了个人智能体 Spark 等功能的上线。DeepMind 同时表示正在内部使用 Gemini 3.5 Pro,计划于下月推出。

    推荐理由:DeepMind 发布 Gemini 3.5 Flash,在保持高推理速度的同时提升多模态理解与长程任务执行能力,并默认用于个人智能体 Spark。

5月8日周五
  1. Berkeley BAIR Blog65

    自适应并行推理:高效推理扩展的下一代范式

    Berkeley BAIR 发布综述文章,探讨让大模型自主决定何时分解任务、生成并发线程数及协调策略的自适应并行推理(APR)范式。内容回顾了从固定并行到动态控制的演进,对比了 ThreadWeaver、Multiverse 等方法的 KV Cache 管理与训练奖励设计差异,并指出当前在推理时是否持续提升准确率、训练稳定性及硬件感知调度等方面仍存在开放问题。

    推荐理由:文章系统梳理了自适应并行推理范式,对比了从固定并行到动态控制的技术演进路径及训练奖励设计差异。

1月21日周三
  1. World Labs · Research & Insights77

    World Labs 发布 World API:基于 Marble 多模态世界模型生成可导航 3D 空间

    World Labs 正式发布 World API,这是一个面向公众的接口,允许开发者通过文本、单图、多图集合、全景或视频等多模态输入,直接生成可导航的 3D 世界。

    推荐理由:World Labs 正式推出 World API,允许开发者通过文本、图像或视频生成可导航的 3D 世界并集成到现有工作流中。

1月16日周五
  1. Google DeepMind80

    DeepMind 发布 D4RT:统一 AI 模型实现 4D 场景重建与时空追踪

    Google DeepMind 推出 D4RT(Dynamic 4D Reconstruction and Tracking),这是一个统一的编码器 - 解码器 Transformer 架构,通过查询机制从 2D 视频中恢复 3D 动态世界。

    推荐理由:DeepMind 推出 D4RT 统一模型,以查询机制实现 300 倍加速的 4D 场景重建与追踪,支持机器人导航、AR 及世界模型构建。

11月19日周三
  1. Google DeepMind82

    Google 发布 Gemini 3:最强多模态模型与全新代理开发平台

    Google 正式发布 Gemini 3 系列,宣布其为目前最智能的模型,具备最先进的推理、多模态理解及代理编码能力。Gemini 3 Pro 在多项基准测试中超越前代,支持 100 万 token 上下文窗口;新增 Deep Think 模式以进一步提升复杂问题解决能力。

    推荐理由:原文宣布 Gemini 3 系列发布,提供最新推理与多模态能力,并开放 Google Antigravity 代理开发平台及 Deep Think 模式。

11月17日周一
  1. Google DeepMind73

    Google DeepMind 发布 WeatherNext 2:生成速度提升 8 倍、分辨率达小时级的全球天气预测模型

    Google DeepMind 推出 WeatherNext 2,这是其最先进的天气预测模型,能将预报生成速度提升 8 倍且分辨率达到 1 小时。该模型基于功能生成网络(FGN)架构,能从单一输入预测数百种可能的气象结果,在 99.9% 的变量和 0-15 天的时效上超越上一代 WeatherNext 模型。

    推荐理由:DeepMind 推出 WeatherNext 2,生成速度提升 8 倍且分辨率达小时级,支持数百种场景预测并已在 Earth Engine 开放数据。

11月13日周四
  1. Google DeepMind70

    SIMA 2:能在虚拟 3D 世界中与你互动、思考并学习的智能体

    DeepMind 发布 SIMA 2,这是继去年版本后的重大升级,通过嵌入 Gemini 模型赋予其推理与对话能力,使其从指令跟随者转变为可协作的虚拟游戏伙伴。

    推荐理由:DeepMind 推出 SIMA 2,通过集成 Gemini 推理能力实现目标规划与自我改进,并在 Genie 3 生成的虚拟世界中验证了泛化性。

11月12日周三
  1. World Labs · Research & Insights78

    World Labs 发布多模态世界模型 Marble,支持从图文视频构建可编辑的 3D 世界

    World Labs 正式发布多模态生成式世界模型 Marble,使其从早期测试转向通用可用。该模型支持通过文本、图像、视频或粗略 3D 布局创建 3D 世界,并允许交互式编辑、扩展和组合场景。

    推荐理由:World Labs 正式发布多模态生成式世界模型 Marble,支持从文本、图像及视频构建 3D 场景,并新增编辑、扩展与导出功能。

10月16日周四
  1. World Labs · Research & Insights78

    RTFM:一款可实时交互的生成式世界模型发布

    World Labs 发布了名为 RTFM(Real-Time Frame Model)的实时生成式世界模型研究预览版。该模型能在单张 H100 GPU 上以交互帧率运行,支持对生成的 3D 场景和真实地点进行持久化探索。

    推荐理由:World Labs 发布实时生成式世界模型 RTFM,单卡 H100 即可实现持久化交互与复杂光影渲染。

10月9日周四
  1. Figure · News75

    Figure 发布第三代人形机器人 Figure 03

    Figure 正式发布第三代人形机器人 Figure 03,旨在打造通用型机器人以服务于家庭与大规模商业场景。硬件层面,该机型配备全新设计的感官套件和手部系统,支持 Helix 视觉语言动作 AI;相机架构帧率翻倍、延迟降低四分之一且视场角扩大 60%,手掌集成嵌入式广角低延迟相机以实现遮挡下的持续感知。

    推荐理由:Figure 03 发布新一代硬件与 Helix AI,通过高帧率视觉、嵌入式手掌相机及自研触觉传感器提升感知与控制能力。

9月16日周二
  1. World Labs · Research & Insights65

    World Labs 发布 Marble 模型:生成持久、可导航的 3D 世界

    World Labs 发布 Marble 模型预览版,支持通过图像或文本提示生成长时间无限制、几何一致且风格多样的 3D 世界。该模型专注于构建大型环境而非孤立物体,并开放开源渲染库 Spark 以集成 Gaussian splats 到 Three.js,支持在桌面和 VR 设备上高效运行。

    推荐理由:World Labs 推出 Marble 模型,支持生成持久、可导航且风格一致的 3D 世界,并提供开源渲染库 Spark。

9月8日周一
  1. Luxonis DepthAI · Releases72

    Luxonis DepthAI v3.0.0 正式发布:API 简化与 VSLAM/RGBD 新节点上线

    DepthAI v3.0.0 正式从候选版发布,核心 API 已简化统一,移除废弃函数。Camera 节点整合了多平台支持,ImageManip 增加确定性操作追踪。

    推荐理由:DepthAI v3.0.0 正式发布,统一了 API 并新增 RGBD、VSLAM 及动态校准节点,支持 RVC4 设备与主机自定义逻辑。