跳到正文

技术方向

多模态 最新动态

文本之外的能力:视觉理解、图文混合、音视频输入输出的模型与产品进展。

22 条精选近 30 天 16 条共收录 102 条

更新

精选归档 · 第 2 页

9月2日周三第 21–22 条
  1. 爱范儿78

    李飞飞 World Labs 发布 3D 世界模型 Atlas

    李飞飞创办的 World Labs 发布 3D 世界模型 Atlas,官方演示中只用 3 到 5 台普通手机和运动相机拍摄,就能生成传统需要 60 台设备阵列才能完成的子弹时间环绕视角。

    推荐理由:原文用子弹时间演示说明稀疏视角重建三维场景的路线,读者可据此理解世界模型与视频生成模型的差异。

  2. 爱范儿82

    World Labs 发布多模态世界模型 Atlas

    李飞飞创办的 World Labs 发布多模态世界模型 Atlas,官方称其从零预训练,可原生处理文本、图像、视频、相机位姿与 3D 深度信息,在同一模型中完成世界生成、空间重建和时空模拟。

    推荐理由:Atlas 把相机位姿作为原生输入并支持稀疏视角重建,读者可据此判断世界模型在具身智能数据生成上的位置。