搜索
设想这样一个场景：给机器人下达一句自然语言指令，让它穿过走廊、接连转弯，最终走进指定房间。视觉语言导航（VLN），需要让机器人结合沿途看到的画面，把人类的语言指令转化为一连串连续行动。
一个充电器，一根缠成一团的线。
DeepSeek-R1等模型让人们看到了强化学习的潜力。但已有研究发现，模型答得更准，未必意味着能解出的题目更多。
想象一下，你向几个 AI 倾诉最近的压力。
什么时候是具身智能的ChatGPT时刻？
随着多模态大模型越来越强，OCR的短板反而逐渐明显。
每个做 AI 系统的人都经历过这个阶段：效果上不去，又不知道往哪使劲——读轨迹、改 prompt、调配置，靠人一轮轮试，一试就是好几天。
一张高清照片中，远处的手提包是什么颜色？一页票据里，某项费用到底是多少？面对这些问题，多模态大模型常常需要先找到相关区域，再放大查看。但如果第一步就框错了位置，后面的推理也可能跟着出错。视觉思维链让模型能够边看边想、调用工具寻找证据。不过，许多方法仍然像生成句子一样，把边界框坐标逐个写成文本 token。连续的空间位置，为什么要通过离散文字来表达？
一颗梨在液体中快速旋转，周围的液体应该随之流动、飞溅；一个物体撞向水面，液体也应该产生与碰撞相对应的响应。
人类说一句「我不是狼」，多模态大模型既能看到表情，也能听见声音。但它真的知道这句话是真是假吗？