视频生成作为多模态推理新范式 | CVPR 2026
视频生成作为多模态推理新范式 | CVPR 2026被CVPR 2026收录！
来自主题: AI技术研报
9870 点击 2026-06-15 09:47
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
被CVPR 2026收录！
从万众期待的「AI 封神时刻」，到美国政府一纸禁令强制下线 —— 这个名字中有 5 的模型，没活过 5 天。
你为什么选了做视觉有关的方向呢？跟你对市场、对成都的观察有关吗？我们现在用的很多传统的 APP，包括很多操作系统，我觉得未来会被替代掉的。因为很多是很“反人类”的设计。这些东西的本质是“系统状态的流转”，没有一个正常人喜欢用这些系统。而这部分，数据的流转，是 Agent 能替我们做的。最终一定会剩下一些简洁的信息要呈现给人——我们做的，反而应该是这个部分。
如今手机拍照已成日常，后期修图是提升照片质感的关键。
当 LLM Agent 处理长期对话、多轮交互和复杂文档时，Memory 已经成为不可或缺的核心模块。它帮助智能体保存历史、检索信息、维持个性化上下文，并支撑跨时间的推理能力。
大模型已经能流畅对话、看图识物，但一个更底层的问题始终没被真正解决——它们是否「理解」了我们所处的三维世界？
多模态大模型越来越会读图中文字，但最新研究显示，「读得出来」并不等于「防得住」。西湖大学 AGI Lab 的研究团队发现，当有害文本被渲染成低清、模糊或带噪图片后，模型在一个特定清晰度区间内反而更容易被越狱。
雨雪、雾霾、镜头噪点、压缩失真、夜间弱光……
随着AI Coding、Agent、Deep Research 等应用快速普及，模型单次处理的上下文长度正在从几万Token迈向几十万甚至百万Token。
自动驾驶世界模型的研究目标已经从单纯预测未来视觉帧，扩展到构建可用于场景理解、空间定位和后续决策的世界表示。如果模型只能生成外观上合理的未来图像，却无法回答场景中有哪些目标、目标位于何处，以及不同视角下的空间结构如何变化，那么它仍然缺少对三维驾驶环境的显式建模能力。