来自加州大学伯克利分校和旧金山分校的研究人员推出新型网络代理（Web Agent）WILBUR，它是一种能够与网站互动的智能系统。例如，你在网购时，需要在众多商品中找到一款价格合适、评价高的运动鞋。通常，这需要你手 ...... 阅读全文

同济大学、上海人工智能实验室、密歇根大学、香港中文大学和CPII的研究人员推出Urban Architect，它能够根据文本描述和3D布局信息生成可控制的3D城市场景。例如，如果你是一个城市规划师，你可以通过简单的文本描述 ...... 阅读全文

谷歌推出新型注意力机制Infini-attention，它可以使基于Transformer的大语言模型（LLMs）高效地处理无限长的输入序列，同时保持内存和计算资源的有限性。例如，就像有一个超级大脑，它可以阅读和记住一本无限长的书 ...... 阅读全文

加州大学圣地亚哥分校和宾夕法尼亚大学的研究人员推出RealmDreamer，它能够根据文本描述生成三维场景。想象一下，如果你给RealmDreamer一个描述，比如“一个有着瀑布的幽静森林”，它就能创建出一个你可以从多个角度观 ...... 阅读全文

英伟达推出新基准测试RULER，它旨在更全面地评估长上下文语言模型（Long-Context LMs）的性能。想象一下，你有一个超级聪明的助手，它可以阅读和理解非常长的文本，比如整本书或大量的文章，并且能够记住所有的细节 ...... 阅读全文

来自香港大学、上海人工智能实验室和清华大学深圳国际研究生院的研究人员发布论文探讨了如何将原本设计用于大型语言模型（LLMs）的解码器（Decoder）结构，如LLaMA，适配到计算机视觉领域。想象一下，你有一个能够理 ...... 阅读全文

谷歌和洛桑瑞士联邦理工学院推出新型视觉-语言模型BRAVE，它的核心目标是扩展和增强VLM在处理图像和语言任务时的视觉编码能力。想象一下，如果你给BRAVE一个描述，比如“一只蝴蝶停在花上”，它不仅能够理解这个描述， ...... 阅读全文

加州大学洛杉矶分校、德克萨斯大学奥斯汀分校和DEVCOM ARL的研究人员推出创新框架DreamScene360，它能够根据文本提示生成360度全景的3D场景。例如，如果你只需要描述一个场景，比如“一个有瀑布的优胜美地国家公园”， ...... 阅读全文

网易与暴雪在游戏上的纷争终于落幕，两家握手言和，这倒是让之前很多站网易而大喷特喷暴雪的网友们有些尴尬了，不过两家玩这么一出，肯定伤了不少玩家的心。这不网易也开始各种做活动开始拉玩家，旗下的网易云音乐还 ...... 阅读全文

Suno的竞争对手出现了！由前谷歌 DeepMind 的领先 AI 研究员和工程师创立的Udio正式上线，目前处于免费测试阶段，用户每月可以生成1200首歌。相比Suno，Udio生成的歌曲时长更长，人声更加优质，偏向于模仿真实的歌手 ...... 阅读全文

Meta推出MA-LMM，它是一个为了更有效地理解长期视频内容而设计的记忆增强型大型多模态模型。与传统的视频理解模型不同，MA-LMM采用了一种在线处理视频帧的方式，并使用一个记忆库来存储过去的视频信息。这样，即使视 ...... 阅读全文

苹果推出Ferret-UI，它是一种专门为理解和交互移动用户界面（UI）屏幕而设计的多模态大语言模型（MLLM）。Ferret-UI旨在提高对移动UI屏幕的理解能力，具备引用、定位和推理等能力。与一般领域的MLLM相比，这些模型在 ...... 阅读全文