空间推理与模态偏见成为研究焦点,世界模型也开始转向实时交互;工程侧则更强调把通用视觉模型拆成可控、低成本的专用工具。
空间推理从局部画面走向完整世界
PanoWorld尝试直接理解360°全景中的定位、视角变换与三维关系,Spatial-Interactor则让模型通过可观察的物理交互学习状态转移;两条路线都在补齐视觉语言模型对真实空间的理解能力。

全模态模型的视觉偏见被单独测量
Tri-PvP用感知证据与命题证据冲突来暴露模型在不同模态之间的偏向。对评测和应用开发者而言,这提醒大家不能只看综合得分,还要检查模型究竟信任了哪一种输入。

视觉应用转向“小模型作为工具”
一套视觉应用实践主张不直接让VLM承担所有实时任务,而是用它标注数据、筛选样本,再训练专用检测器作为Agent技能。这个思路适合关注成本、许可证和稳定性的工程团队。

世界模型加速进入实时交互场景
达瓦展示了单机实时生成并探索世界的交互体验,Explorer则把视角带到3DGS社区的世界模型基模;同期公共清洁机器人也用场景多模态模型处理真实环境任务,显示感知、生成与行动正在汇合。

当前文章无评论,是时候发表评论了