把视角、动作、相机控制统一为注意力空间内的token,5B模型视角切换率达93.8%追平22B模型
标签:
全部
强化学习
扩散模型
大语言模型
基准测试
视频生成
LLM智能体
世界模型
视觉语言模型
GRPO
多模态大模型
知识蒸馏
基准评测
具身智能
流匹配
机器人操作
多智能体系统
智能体
LLM Agent
可解释性
图像生成
代码生成
多模态学习
检索增强生成
注意力机制
RLVR
后训练
视频理解
机器人学习
多模态
长上下文
数学推理
图像编辑
VLA
数据合成
多模态大语言模型
推理加速
评测基准
高效推理
自监督学习
工具调用
对比学习
扩散语言模型
参数高效微调
视觉-语言-动作模型
Transformer
工具使用
LoRA
持续学习
自蒸馏
LLM评估
多模态推理
RAG
模仿学习
综述
信息检索
LLM推理
信用分配
在线策略蒸馏
合成数据
模型压缩
用3D接地潜动作把异构视频变成共享监督,无需原生动作标签预训练出4B级VLA操作策略
首个全带宽立体声流匹配音乐源分离框架,系统研究路径、预测目标与混合一致性
把文本生成拆为连续语义压缩与离散解码,用梯度路由实现表示-生成协同适应,扩展未饱和。
用10倍小的Mamba动作专家替换π0.5,去噪延迟降64.8%,LIBERO成功率反升1.08点
少步MeanFlow与自回归微调把流式语音风格转换延迟降至520毫秒,并统一文本音色设计与编辑
扩散模型的纠正训练
👍 42训练纠正器迭代修正去噪预测,无需引导即大幅提升生成质量,并可蒸馏消除推理开销。
首个为任意骨架联合生成视频、3D动作并自动配准相机的模型JCA
首个参考引导流匹配实时流式视频换脸框架:单张4090上21 FPS稳定生成10分钟长视频
大型流语言模型
👍 15Lafa用块级异步连续流适配预训练AR模型,自投机解码带来2.54倍吞吐
复用被丢弃的动作尾部,自适应分配去噪预算,让VLA更快更准
以可供性为共享交互表征,让无动作标注的人类视频促进机器人操作学习
从源隐变量出发的流匹配模型,把视频文字去除变成迭代修正,并发布1631段配对基准。
蒸馏训练让编辑模型在自己输出上迭代数十轮仍稳定,不累积伪影
面向无数据扩散蒸馏的一致分布匹配
👍 19单一学生网络统一生成与速度估计,实现无数据、免模拟的少步扩散蒸馏
提出OneWM统一因果框架,首次系统验证世界预测与动作生成可相互促进
把当前到未来状态的物理变化作为显式预训练监督,部署时零额外开销
先把参考图材质投影为只读观测锚点,再让3D生成器专注补全未见表面
LensErase:万物擦除基础模型
👍 40以1.01亿对配对数据和掩码感知RoPE,把文生图先验改造成通用图像擦除基础模型
首个原生吉像素分辨率的全切片病理图像生成模型,自适应调度提速3倍,实现8k文本生图