搜索结果

动机：现有潜动作常纠缠外观变化，限制跨本体；方法：复用视频扩散模型提取紧凑潜动作；目标：执行一致、外观/本体更不变；提交日期 2026-11-03（cs 相关）

这份博士论文要回答的是一个链条式的问题：视觉模型的行为能不能被引导，以及这种引导可以从哪一层下手——是从模型权重里已经学到的表示，还是一直下探到训练数据。作者把注意力放在多模态与生成模型的可解释性与可控性上，具体落在文本–图像表示模型和文生图扩散系统两类对象。

π0.7能在陌生环境中执行多阶段指令，并实现零样本跨本体泛化，例如在未见过该任务的情况下叠衣服。；核心思想是训练时使用多样化的上下文条件，在提示中加入任务表现元数据、子目标图像等多模态信息。；因此可利用演示、含失败的自主数据和非机器人数据训练，开箱操作咖啡机的表现接近专门RL微调模型。

报告称至少七家中国开发者已推出在编码、推理、多模态和智能体任务上能力强劲的模型，多以开放权重和低价API形式发布。；认为最主要的风险来自其背后的政治体制，而不仅是模型本身缺乏安全护栏。；从美国视角提出应对相关风险的政策建议（含明显立场，需批判阅读）。

具身智能的定义 具身智能是指智能体依托机器人、智能设备等物理本体，通过多模态感知、任务理解、决策规划和动作执行，与真实物理环境持续交互并完成任务的人工智能形态。 具身智能定义：强调有物理身体的智能体通过与物理环境进行交互而获得智能的人工智能研究范式。 具身大脑”：上层大模型认知决策 多模态环境理解与任务推理，形成自主决策能力 基于任务目标生成动作规划与执行策略 支持跨场景泛化和持续学习，提升机器人自主性 小脑：下层运动控制 负责运动规划、姿态控制与实时反馈，保障机器人精准稳定执行

上海人工智能实验室 官方技术报告——书生 InternVL3：开源多模态模型的先进训练与测试时方法探索

面壁智能 / 清华大学 官方技术报告——MiniCPM-V：手机上的 GPT-4V 级多模态大模型

上海人工智能实验室 官方技术报告——书生 InternVL 2.5：通过模型、数据与测试时扩展拓展开源多模态模型性能边界

Microsoft Research 官方技术报告——Magma：面向多模态 AI 智能体的基础模型

DeepSeek 官方技术报告——DeepSeek-VL2：面向高级多模态理解的混合专家视觉-语言模型