提出物理感知的世界模型EO-WM,实现更可靠的地球观测预测
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
长上下文
多模态
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
高效推理
评测基准
自监督学习
工具调用
对比学习
扩散语言模型
视觉-语言-动作模型
参数高效微调
Transformer
工具使用
LoRA
持续学习
LLM评估
自蒸馏
多模态推理
RAG
模仿学习
综述
LLM推理
信息检索
信用分配
在线策略蒸馏
模型压缩
合成数据
提出DomainShuttle框架实现高保真且灵活的开放领域视频个性化生成,跨域分数提升18.7%
将视觉规划内化到潜在查询,单前向传播实现结构感知图像生成。
首个相机可控视频虚拟试衣框架,用4D代理实现任意轨迹合成
首个支持联邦LDM所有权验证和泄露客户端追踪的鲁棒水印框架
提出统一训练框架NANOGEN和综合基准DIFFUSIONBENCH,揭示ImageNet和文本生成图片性能不相关
用于机器人操作的世界价值模型
👍 8将世界模型作为机器人价值学习的基础,实现SOTA任务进度估计
用DA-SLAT、SMDiT、MARoPE解决稀疏体素瓶颈,实现高保真图像到3D生成
通过分层扩散框架实现内容保持的视频编辑,生成编辑层和alpha遮罩与源视频合成
MeshFlow利用等变流匹配在亚秒级内生成高质量三角形网格。
基于点跟踪的视频合成与运动控制
👍 4通过参考图像锚定的点跟踪统一实现视频外观和运动控制
提出双用途MAE-CNN标记器,同时支持临床预测和可控生成
通过挖掘社区LoRA构建大规模数据集,实现高质量的风格-内容双重参考图像生成。
提出两阶段框架,3-5分钟生成单一3D网格,从不同视角呈现不同语义的错觉效果
发现训练随机性比采样随机性更大,FID评估存在1-2%系数变异的噪声底
通过稀疏3D边界框实现精确的多对象视频生成与编辑控制
首个原生面向物理AI的世界模型,跨具身课程+混合线性时序记忆
提出判别器引导的强化学习(DRL),在不依赖人类偏好的情况下修正流匹配模型的分布偏差
Sumi:从头开始的开放均匀扩散语言模型
👍 11首个大规模开源均匀扩散语言模型,7B参数训练1.5T token
首个针对扩散LLM的自蒸馏框架,用自生成答案作后缀条件,步级监督提升推理能力