搜索
针对这一挑战，腾讯内容服务部 BAC 提出了一个名为 ProLaViT（Progressive Latent Visual Thought） 的全新框架。它的核心思想是：别急着下结论，先在连续隐空间里像人一样「步步推导」。 即让模型遵循 「定位 → 聚焦 → 分离」（Locate → Focus → Isolate） 的因果链，逐步收紧视觉注意力，最终精准锁定目标。
扩散语言模型（DLM）正逐渐成为自回归（Autoregressive, AR）语言模型之外一种新兴的建模范式。
现在的 AI Agent 动辄需要处理超长上下文，既要看系统提示词、工具说明，又要翻阅历史对话和检索文档。为了省钱、省算力并降低延迟，很多开发者会给系统加上 “提示词压缩”（Prompt Compression）模块，把冗长的上下文浓缩后再喂给大模型。
来自上海交大、马来亚大学、CMU、MBZUAI、KIT和KAUST的团队提出VisNec（Visual Necessity Score，视觉必要性分数），用一个分数衡量每条训练样本里“图像到底起了多大作用”，被ECCV 2026收录。
最近，一个来自清华大学与中山大学的团队（Rath Team）把他们的解法开源了，叫OpenRath：这是一个像PyTorch的多智能体、多会话运行时。它的主张是：别再围着Agent转了。真正该被当成一等公民的，是Session。
GlobalGPT 是一款很典型的 AI 套壳产品，一份订阅访问市面上几乎所有主流 AI 模型，目前全球累计用户超过 300 万，ARR 做到 1000 万美金。创始人李焕之，律师出身，2022 年开始连续创业，经历了 LegalDAO（Web3 法律社区）、LegalNow（AI 法律产品）的两次pivot后，在 2024 年初团队现金流只剩 1 个月时做出了 GlobalGPT。
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。
LLM Agent 做长任务时，真正让人头疼的往往不是模型不会推理，而是上下文开始失控：前几步还很清楚，后面就忘约束、丢状态、重复试错，最后把任务跑成事故现场。
Meta 发布了一项令人震撼的研究工作 VLM³，首次揭示了三维视觉学习的 Bitter Lesson：标准的视觉语言模型 + scale 数据就是最简单有效的范式，针对特定任务的架构、损失函数以及数据增强的设计，甚至是 regression 的 formulation，均不是三维视觉学习的必要条件。
空间智能与世界模型初创公司知天下（苏州）人工智能科技有限公司（以下简称“知天下”）近日已完成天使轮融资。知天下是一家专注于高斯泼溅（3D Gaussian Splatting，简称3DGS）三维重建与生成技术的AI企业，于 2024 年初推出 3DGS 免费重建与发布服务