打通感知-理解-交互链路，全栈视频理解大模型VideoChat3开源了
打通感知-理解-交互链路，全栈视频理解大模型VideoChat3开源了视频是描述物理世界的重要数据形态，更是人类与物理世界交互的重要载体，视频理解大模型是让 AI 从数字世界走向物理世界最基础、最原生的组成部分。
来自主题: AI技术研报
8524 点击 2026-07-23 10:37
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
视频是描述物理世界的重要数据形态，更是人类与物理世界交互的重要载体，视频理解大模型是让 AI 从数字世界走向物理世界最基础、最原生的组成部分。
苏度科技联合创始人、董事长苏昊是ImageNet的核心作者之一，师从李飞飞。这家公司走了一条与硅谷主流“纯大脑黑盒大模型”不太一样的路：软硬件协同设计，上下分层架构，上层负责任务规划与环境理解，下层负责具体物体操作；Sim-to-Real作为核心训练范式，让机器人在虚拟世界里经历几百万年的进化，再迁移到现实。
这家初创公司已与Georgia Power 签订合同，为位于Effingham County的这一数据中心综合体锁定了3.2GW的电力供应，这一规模可能使该设施跻身OpenAI迄今为止最大的数据中心之列。预计从2028年起将有数百兆瓦电力投入使用，其余开发工作将持续到2032年。1GW的电力足以在任意时刻为约75万户美国家庭供电。
“AI教母”李飞飞创办的World Labs正式宣布收购美国机器人仿真初创公司SceniX。这笔交易是World Labs成立以来的首笔公开收购，也标志着这家以“空间智能”为旗帜的明星创企，正式将业务边界从3D世界生成推进到物理机器人训练领域。
刚刚，字节也坐不住了，推出了 Trae Work 官方知识库教程。我让 Agent 查了下，这个知识库目前大约有 46w 字，85 篇文档。 不得不说，不愧是字节，写文档还是很有一手的！
这家公司是Fireworks AI，按现在流行的话说，Fireworks AI是一家Token工厂。既不训练前沿大模型，也不做面向消费者的AI应用，只做推理，帮企业把开源模型微调好、托管好，然后按调用量收钱。今年GTC大会上，黄仁勋和Lin Qiao有场对谈，老黄直言，“In a lot of ways, you're the TSMC of AI factories.”
袁博地的答案是否定的。从清华大学接触计算机视觉，到 UC Berkeley 攻读 AI 博士，再到 Google X 负责机器人的视觉系统，袁博地过去十多年的研究几乎始终围绕 Pixel 展开：从图像识别，到 GAN、Diffusion，再到图像和视频生成，技术范式不断变化，研究对象却始终指向同一件事——如何让机器理解和生成视觉世界。
就在最近，英伟达亲自下场，发布了一篇名为《AI Model Co-Design: Hardware-Friendly LLM Design》的技术博客。整篇文章洋洋洒洒，其实就想点醒行业一件事：别光顾着堆算力了，来看看你们是怎么把顶级显卡逼成“磨洋工”的吧。
现在，你可以通过录屏 + 语音讲解的方式，彻底把自己蒸馏成 Skill 了。7 月 21 日，Anthropic 在 Claude 桌面端 Cowork 的 + 菜单里加了一项「Record a Skill」：录屏，一边操作一边用语音讲解，录完后 Claude 自动把演示转化成一个可复用的 Skill。
刚刚，阿里旗下的Qoder正式推出了Qoder Security，直击AI Coding的安全风险问题。在这个工具中，代码安全内生于 Qoder，贯穿从编码到提交的每一步。Qoder Security的发布，让Qoder成为国内首个交付「编码会话内三层安全护航 + 发现问题同会话修复」能力Agentic Coding产品。