NVIDIA Research推出了VFlash，一种新型视觉模型，能够并行生成机器人运动轨迹、三维运动等几何预测，而不像传统自回归模型那样逐token串行输出。该技术通过将视觉感知与结构化空间预测相结合，有望显著降低推理延迟...

TorchTPU 是谷歌在 GitHub 开源的 PyTorch TPU 后端项目，目标是让 PyTorch 用户更直接、高效地利用 Google Cloud TPU 算力。该项目通过自定义 ATen 内核适配 TPU 执行特性，引入 XLA 编译缓存以减少重复编译开销，...

由前Meta硬件工程师创立的初创公司Elio宣布完成2100万美元的A轮融资，本轮由Innovation Endeavors和Xora联合领投。Elio正在开发一种颠覆传统思路的图像传感器架构，其设计目标不再是为人眼所见的视觉质量服务，而是...

DeepMind提出了GenCeption，将预训练的视频生成模型重新设计为一种可通过文本指令控制的统一视觉系统，引发学界关注。该模型基于前馈、非自回归的生成式架构，不需要针对下游任务进行微调即可同时处理深度估计、表面...

来自arxiv的最新研究提出了一种名为Vision Banana的通用视觉模型，该模型的核心创新在于将传统的视觉感知任务重新表述为图像生成问题。通过指令微调（instruction-tuning）的图像生成模型，Vision Banana能够在多种...

Anthropic Labs今日正式发布Claude Design，标志着生成式AI在专业视觉创作领域迈出关键一步。该产品基于Claude Opus 4.7多模态视觉模型构建，能够协助用户高效生成设计原型、商业演示文稿、营销单页等视觉内容。其核...

微软近日发布了Phi-4-reasoning-vision-15B，这是一款开源的、权重开放的多模态视觉AI模型。该模型仅包含150亿参数，却在数学、科学、文档及用户界面（UI）推理任务上，达到了与参数量大数倍的模型相当甚至更优的性...

由builddotai团队在Hugging Face平台开源的Egocentric-10K数据集，标志着工业视觉与机器人学习领域取得重大突破。该数据集包含10,000小时以第一人称视角采集的工业操作视频，涵盖192,900个视频片段，真实记录了2,138...