GAIR Live
顶会专区
热门文章
Multimodality
CVPR 2026终极盘点:这5篇论文、1个演讲、3个展台,藏着计算机视觉下一个十年的答案
视觉-语言与多模态LLM论文占比一年飙涨5.7个百分点,CVPR正以前所未有的速度把具身智能推上主赛道。作者丨陈淑瑜编辑丨岑峰16,092篇投稿,4,071篇录用,25.3%录取率,今年的CVPR创下了多项历史纪录。但比数字更具风向标意义的是行业风向:5篇获奖论文中至少3篇直指具身智能;展台上NVIDIA和Tesla正合力把机器人从实验室推向商业化;一场关于“可编程生物学”的重磅演讲,则彻底打破了计算机视觉与传统药物设计的边界。如果你没能亲自前往丹佛,这篇全景盘点将带你用最短的时间,一眼看透本届大会的全部精髓。5篇论文:从4D重建到一步式编辑,具身智能全面接管今年CVPR的最佳论文奖项共有74篇入围,15篇进入决赛圈,最终5篇获奖。纵观这些获奖作品,能发现一个显而易见的行业共性:计算机视觉正从“被动感知”走向“主动理解与行动”。▎最佳论文:D4RT——让机器人“看见”第四个维度动态场景的4D重建一直是计算机视觉中的“硬骨头”。现有方法要么把任务拆成多个模块分别处理,慢且复杂。要么无法处理动态区域的对应关系,要么两者皆有。D4RT的核心贡献在于范式转换。模型先用编码器把整段视频压缩...
Multimodality
CVPR 2026 模型适应性研究盘点:从保留旧知识,到适应真实世界
稳定性,正在成为大模型落地的关键命题。作者丨郑佳美编辑丨马晓宁当 AI 模型从“单次完成任务”走向真实世界部署时,真正的挑战不再只是参数规模和单点性能,而是模型能否在变化中保持稳定。它要在持续出现的新类别中不遗忘旧知识,要从大规模真实数据中获得更强的泛化能力,要在多客户端、数据分布不断变化的环境下继续学习,也要把图像、视频和 3D 等不同视觉经验组织成统一理解。这种变化也体现在 CVPR 2026 的相关研究趋势中。越来越多工作不再只追求某个单一任务上的性能提升,而是更关注模型在长期学习、真实数据、分布变化和多模态协同中的稳定性与适应能力。换句话说,模型不仅要“会做”,还要能在复杂环境中持续做得好。这一趋势背后,反映的是大模型研究正在从“能力扩张”进入“能力管理”阶段。模型不仅要学得多,还要知道哪些旧知识值得保留,哪些经验可以迁移,哪些特征需要对齐,哪些模态能够互相补充。无论是持续学习、数字人建模、联邦学习,还是统一大视觉模型,研究者真正关心的都是同一个问题:如何让 AI...
Multimodality
2050学习节「AGI 4 Science」专场:17位青年学者「挤」在3小时里,都讲了些什么?
我们选择的道路,谁与我们同行,我们最终抵达何方。作者丨周 蕾编辑丨岑 峰2050是阿里云创始人王坚博士发起的一个非营利活动,自2018年起每年4月最后一个周末在杭州云栖小镇举办,定位是“年青人因科技而团聚”。它没有传统会议的“主办方—嘉宾”结构,而是一个由自愿者驱动、年青人自由发起活动的开放场域。第八届2050大会,在今年4月的最后一个周末如期举办。而2050学习节“AGI 4 Science”专场,或许是大会三天里信息密度最高的专场,没有之一:三个小时,十七位发言嘉宾,每人十分钟。据召集人王婷介绍,这是有意为之的高密度编排:舞台时间本就是稀缺资源,让更多正在前沿摸索的青年学者“上得了台”,比让少数人讲得更长更重要。这种议程安排让现场节奏紧凑,讲者没有客套铺陈,听者全神贯注,云栖小镇会展中心二楼的五云厅虽不大,上座率却极高,不少听众为此驻足。本次专场主题定位是“生长中的AGI 4...
Multimodality
CVPR 2026 世界模型论文全景梳理:从生成到建模的关键转变
世界模型:通过统一建模空间结构、时间演化与物理规律,实现对现实世界的理解与模拟。作者丨郑佳美编辑丨岑 峰在过去几年中,视频生成技术取得了令人瞩目的进展。从基于扩散模型的方法到大规模视频基础模型,生成结果在视觉质量上已经逐渐逼近真实世界。然而,当我们进一步审视这些模型时,一个更本质的问题开始显现:它们究竟是在“理解世界”,还是仅仅在“拟合像素分布”?传统视频生成方法大多建立在 2D 图像空间之上,通过逐帧建模来合成动态内容。这种范式虽然在短时间尺度和视觉表现上表现出色,但也暴露出一系列根本性局限:相机运动难以精确控制,多物体交互缺乏一致性,长时间生成容易出现结构漂移,甚至在复杂场景中违背基本物理规律。这些问题的共同根源在于模型缺乏对“世界本身”的建模能力。正是在这一背景下,“世界模型(World...
Multimodality
从 IROS 2025谈起,智能机器人何时迎来「GPT式爆发」? | GAIR Live 019
机器人觉醒:控制范式退场,认知时代降临作者丨岑峰编辑丨马晓宁2025年10月,IROS(国际智能机器人与系统会议)在全球机器人从业者的目光中落幕。作为行业最具影响力的学术与产业盛会,本届在杭州召开的IROS的“中国印记”与“具身智能转向”尤为醒目——展台上,国产具身智能企业扎堆亮相,灵巧手、低成本机械臂等硬件技术刷新全球认知;会场内,“Learning驱动具身智能”的论文占比突破60%,标志着机器人从“传统控制工具”向“智能认知主体”的范式转移。当“具身智能”从实验室热词走向产业实践,当硬件迭代与大模型技术碰撞出真实的商业可能,雷峰网AI科技评论特别邀请三位横跨学界与业界的嘉宾:上海交通大学计算机学院助理教授、上海AI Lab青年研究员穆尧、SOMA Robotics创始人陈天一、 科罗拉多大学助理教授李正雄,共同解码IROS...
Multimodality
智源清华带来PAM,手物交互数据生成新SOTA | CVPR 2026
PAM仅需初始/目标手部姿态与物体几何信息,即可生成高保真交互视频。Project Page:https://link.zhihu.com/?target=https%3A//gasaiyu.github.io/PAM.github.io/01 TL;DR▪ 在只给定初始姿态、目标姿态和不含外观的物体几何信息的输入下,如何直接生成逼真的手物交互(HOI)视频?▪ 现有方法存在一系列问题:姿态合成方法只能预测 MANO 轨迹,而不能生成像素细节;文生图方法能生成能产生外观,但缺乏动态信息;而视频生成方法目前大多依赖完整的姿态序列和首帧作为输入,导致其无法真正应用于 Sim-to-Real数据生成管线。▪ 我们提出PAM (Pose-Appearance-Motion),一个统一的数据生成引擎,利用姿态、外观和运动的解耦生成过程,完美解决上述痛点。▪ 这是第一个仅需条件初始姿态、目标姿态和物体的几何信息作为输入,即可实现高质量 Sim-to-Real...
热门视频
人气专家


