作者丨郑佳美****     编辑丨马晓宁 *                                                                                                               * 大模型的发展表明，智能体不能只依赖一次性的上下文输入，还需要能够检索、利用和管理长期记忆。自动...

    作者丨陈淑瑜****     编辑丨岑   峰 *                                                                                                               * 如果把过去几年多模态大模型在STEM领域的进展放在一起审视，会发现一个相当微妙的错位。研究...

    作者丨郑佳美****     编辑丨马晓宁 *                                                                                                               * 过去，视觉模型更多是在回答“看见了什么”，但当 AI 进入自动驾驶、游戏、机器人和多智能体协作...

    作者丨郑佳美****     编辑丨马晓宁 *                                                                                                               * 过去，视频生成更多是在解决“像不像”的问题：人物是否清晰，画面是否流畅，风格是否统一。但随着模...

    作者丨陈淑瑜****     编辑丨岑   峰 *                                                                                                               * 一个在2026年越来越难以回避的问题是：如果H100全面断供、电费账单直线飙升、训练一次大...

    作者丨郑佳美****     编辑丨马晓宁 *                                                                                                               * 如果您漫步在 CVPR 2026 的会场，会产生一种强烈的错觉：自己是不是跑错了场馆，误入了...

    作者丨郑佳美****     编辑丨岑   峰 *                                                                                                               * 真正的室内空间智能，并不只是让机器认出画面里有一张桌子，而是让它理解真实三维物理空间内：...

    作者丨郑佳美****     编辑丨岑   峰 *                                                                                                               * 如果说过去几年的视觉 AI 主要是在回答“模型能不能看懂一张图”，那么到 CVPR 20...

2025 年到 2026 年，如果要问生成式 AI 领域最值得关注的研究方向，流匹配（Flow Matching） 是一个无法绕开的答案。 从去年起，这个名字开始频繁出现在顶会论文里、被工业界反复讨论、被拿来和统治了图像生成领域长达五年的扩散模型正面比较。 所谓流匹配，本质上是用常微分方程路径（ODE path）替代扩散模型的随机微分方程路径，让数据从噪声到图像的转变不再依赖数百步迭...

如果把近几年计算机视觉的发展放在一个更长的时间尺度上去看，会发现整个领域其实一直在沿着一条非常明确但也非常受限的路径前进： 研究者不断把模型做得更大，把训练数据堆得更多，把单项 benchmark 指标推得更高，于是无论是分割、重建还是生成，模型在标准任务上的表现都在持续逼近“看起来已经足够强”的状态。 但如果把视角拉回到 CVPR 2026 前后这一批最新工作，会发现一个更值得警惕的变...