Mobile-Agent – 自主多模态移动设备代理，通过视觉感知实现智能化手机操作
Mobile-Agent是什么 Mobile-Agent 是具有移动性的智能代理软件实体，能在网络的各个节点之间移动，代表用户或其他代理进行工作。能根据具体情况中断当前执行，移动至另一设备上恢复运行...
排序
VideoRAG – 用于长视频理解的检索增强生成技术
VideoRAG是什么 VideoRAG是用于长视频理解的检索增强生成（Retrieval-Augmented Generation）技术。通过提取视频中的视觉对齐辅助文本，帮助大型视频语言模型（LV...
SPRIGHT – 专注于空间关系的大型视觉语言数据集
SPRIGHT是什么 SPRIGHT（SPatially RIGHT）是亚利桑那州立大学 、Intel 实验室 、Hugging Face 、华盛顿大学等机构联合推出的，专注于空间关系的大型视觉-语言...
LIGER – Meta AI 等机构推出的混合检索模型
LIGER是什么 LIGER是Meta AI等机构推出的混合检索模型，结合生成式检索和密集检索的优点。LIGER用生成式检索模块生成有限的候选项目集，基于密集检索对候选项目进行排序和优化，保留生成式检...
SeedVR – 南洋理工和字节跳动推出的扩散变换器模型，实现通用视频修复
SeedVR是什么 SeedVR是南洋理工大学和字节跳动推出的扩散变换器模型，能实现高质量的通用视频修复。SeedVR基于引入移位窗口注意力机制，采用大尺寸（64×64）窗口和边界处的可变大小窗口，有...
AutoDroid-V2 – 清华推出的移动端GUI自动化脚本代理
AutoDroid-V2是什么 AutoDroid-V2是清华大学人工智能产业研究院推出的基于小型语言模型（SLM）的移动端GUI自动化脚本代理，能基于代码生成技术提升设备上的GUI代理性能。Auto...
EnerVerse – 智元机器人推出的首个机器人4D世界模型
EnerVerse是什么 EnerVerse 是智元机器人团队开发的首个机器人4D世界模型，通过生成未来具身空间来指导机器人完成复杂任务。模型采用自回归扩散模型，结合稀疏记忆机制（Sparse Mem...
Seer – 上海 AI Lab 联合北大等机构推出的端到端操作模型
Seer是什么 Seer是由上海AI实验室、北京大学计算机科学与技术学院、北京大学软件与微电子学院等机构联合推出的端到端操作模型，实现机器人视觉预测与动作执行的高度协同。模型结合历史信息和目标信号（如...
ArtCrafter – 清华联合鹏城实验室和联想共同推出的文本到图像风格迁移框架
ArtCrafter是什么 ArtCrafter是清华大学、鹏城实验室和联想研究院共同推出的文本到图像风格迁移框架，基于扩散模型，解决传统方法在风格表达、内容一致性和输出多样性方面的局限。ArtCra...
Ingredients – 多ID照片定制视频生成框架，基于多ID照片与视频扩散相结合
Ingredients是什么 Ingredients是强大的框架，基于将多个特定身份（ID）照片与视频扩散Transformer相结合，用在定制视频创作。Ingredients基于三个核心模块实现高度...