VLM脑中真有一张3D地图？匹兹堡大学挖出了新证据
VLM脑中真有一张3D地图？匹兹堡大学挖出了新证据看一段房间视频，视觉语言模型（VLM）能够认出桌子、椅子和柜子。但在它的内部，这些物体是按颜色、形状组织在一起，还是形成了一张包含邻接关系的空间地图？
来自主题: AI技术研报
8124 点击 2026-10-20 16:22
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
看一段房间视频，视觉语言模型（VLM）能够认出桌子、椅子和柜子。但在它的内部，这些物体是按颜色、形状组织在一起，还是形成了一张包含邻接关系的空间地图？
数据要让人看懂，通常得先从数据库里查出来，再画成图。文本到可视化（Text-to-Vis）做的就是这件事：用户说出想看什么，系统去库里查询，再用图表把需要的数据展示出来。
Malachyte的创立源于这样一个理念：大多数在线商店对待购物者的方式其实千篇一律，个性化推荐主要依据历史购买记录、人口统计学分层或已登录的客户档案来决定。这意味着，首次访问网站的用户往往看到的与所有其他人一样的通用商店页面，而老用户获得的推荐，也主要基于他们过去购买过什么，而非当下真正需要什么。
本文是北京大学彭宇新教授团队联合福州大学柯逍教授团队在细粒度多模态动作质量评价领域的最新研究成果，相关论文已被 ICML 2026 接收为 Spotlight，并已开源。真实世界中的多模态数据往往并不完整。在动作质量评价任务中，视频、光流、音频等模态能够从不同角度描述动作执行过程，但在实际采集时，传感器故障、环境噪声、隐私限制等因素都会导致模态缺失。
UBC 和 Weathon Software 的研究提出，图像的美学对齐正在削弱艺术表达。
UBC 和 Weathon Software 的研究提出，图像的美学对齐正在削弱艺术表达。
近日，来自英国南安普顿大学（University of Southampton）和广州大学的研究者团队提出 SlaClip，一种用于差分隐私随机梯度下降（DP-SGD）[1] 的自适应梯度剪裁方法。
被ICML 2026接收为Spotlight！
想象一下，你问 AI 要一个饮食记录工具，它不再是回你一段文字建议，而是直接给你一个可以点击添加、统计热量的完整应用。人和 AI 的交互，正在从「读文字」走向「用应用」。
随着大模型参数规模持续扩大，推理成本已经成为生产级 LLM 服务的核心瓶颈。投机解码（Speculative Decoding, SD）通过「小模型 draft + 大模型 verify」的方式，将多个候选 token 放到一次目标模型前向中并行验证，从而缓解自回归解码的串行瓶颈。