多模态感知

音视频牛哥

从 LLM、VLA、LLA、SLIM 到实时音视频感知底座：具身智能真正需要的不只是大模型过去十几年，音视频行业解决的问题，大多可以归结为一个核心目标：怎样把声音和画面更稳定、更清晰、更低延迟地送到另一个人面前。摄像头采集、H.264/H.265 编码、RTSP/RTMP 推流、播放器解码、GB28181 接入、录像与转发，这些技术最终服务的主要对象仍然是“人”。

音视频牛哥

世界模型如何重塑具身智能：从VLA到预测式机器人控制围绕“世界模型是不是机器人下一个奇点时刻”的讨论正在升温。过去几年，具身智能的发展重点集中在大模型、VLA（Vision-Language-Action）、模仿学习和遥操作数据上：让机器人看懂场景、理解语言，并根据输入直接生成动作。如今，行业开始把更多注意力转向世界模型，因为仅仅知道“应该做什么”，并不等于能够判断“做完以后世界会发生什么”。

武汉唯众智创

具身智能：人工智能的下一个范式革命2024年以来，具身智能（Embodied Intelligence）迅速成为人工智能领域最炙手可热的研究方向之一。从Figure机器人与OpenAI的合作演示，到特斯拉Optimus的持续迭代，再到国内各大科研院所和科技企业的纷纷入局，具身智能正在从实验室走向现实世界。

玩转 3D 检测和分割（一）：MMDetection3D 整体框架介绍完整文章转载自OpenMMLab，此仅作个人学习笔记：带你玩转 3D 检测和分割（一）：MMDetection3D 整体框架介绍 - OpenMMLab的文章 - 知乎https://zhuanlan.zhihu.com/p/478307528

我是有底线的