来源：机器之心 原文链接：https://mp.weixin.qq.com/s/sBfUF2R5Ii-wEWNFTrc2ig 本文第一作者为西湖大学科研助理蔺明慧，通讯作者为阿里巴巴达摩院算法专家黄思腾和西湖大学人工智能系副主任王东林。所有作者均来自西湖大学机器智能实验室（MiLAB）和西湖机器人科技有限公司，团队工作 ReconVLA 近期获得 AAAI 2026 最佳论文奖。 具身智能要...

来源：公众号“InTimeLab” 原文链接：https://mp.weixin.qq.com/s/AbtZYKAhP5KEaChBnLIV7A 近日，由InTimeLab、腾讯、南京理工大学合作完成的研究成果《Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Traini...

来源：公众号“人工智能怎么学” 原文链接：https://mp.weixin.qq.com/s/8T1LqLJYPqyUWsNF8aBD1w 本文介绍了CVPR 2026的论文《MedCLIPSeg: Probabilistic Vision-Language Adaptation for Data-Efficient and Generalizable Medical Image Segm...

来源：公众号“深圳大学计算机与软件学院” 作者：房云鹏 原文链接：https://mp.weixin.qq.com/s/uWReTqghPxC-DJzRwvMV5g 自动、精确的超声心动图视频分割对于高效、可重复地测量关键临床心功能指标（如射血分数等）以及心血管疾病的诊断至关重要。然而，由于超声影像固有的散斑噪声、心脏结构的复杂动态运动，以及标注数据的严重稀缺，这在临床和计算领域仍然是一个极...

MindVLA-U1：统一视觉语言动作架构，实现理解后规划。 作者丨郑佳美 编辑丨马晓宁 在自动驾驶进入大模型时代之后，行业正在从传统的“感知、预测、规划、控制”模块化流水线，逐步转向端到端智能系统。 过去，VA 模型能够直接从视觉输入生成驾驶轨迹，在规划精度和实时性上表现突出，但它们更多依赖隐式视觉特征，很难清楚解释“为什么这样开”，也难以处理那些需要语义理解和常识推理的长尾场景。 比如车...

“请把杯子拿起来”。这句话对你来说轻而易举。因为你看到了杯子，理解了“拿起来”的含义，手自然地伸过去、捏住、提起。但对一个 AI 系统来说，这中间隔着数道几乎不可逾越的鸿沟：语言到动作、动作到视觉、视觉到空间、空间到执行。 传统做法是强迫模型学会直接映射，通过输入一段文字或一组动作参数，让其直接输出像素级的视频帧或关节角度。这种方法在受限环境和充足标注数据下勉强可行，但一旦面对真实世界的复杂...

代码驱动的视觉感知，正在为大模型补上「看」这门必修课。 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。研究者们几乎把全部精力都押在了推理能力的提升上，强化学习、思维链、自我纠错……各种花式推理策略层出不穷，模型在文本推理基准上的得分也确实在节节攀升。 但一个尴尬的事实始终摆在那里：当模型被丢进一道需要看图才能解答的几何题时，...

【封面图片来源：网站名微信公众号，所有者：极市平台】一、背景 工业质检和医疗影像分析中，传统方法采用"一个任务一个模型"的碎片化模式，检测不同模态（如RGB、红外、3D深度）需要部署多个专用模型，导致运维成本高、泛化能力差。现有方法存在域干扰问题——直接融合多域特征会引入噪声，导致大量误报。能否构建一个通用的"大脑"，既能理解多模态融合信息，又能针对不同任务动态调用"专家知识"？这一问题的解...

【封面图片来源：网站名微信公众号，所有者：机器之心】 一、背景 在多模态大模型飞速发展的今天，如何精准地将密集的"图像块（Patch）"表示与对应概念的"文本嵌入"对齐，依然是阻碍模型迈向更细粒度理解的"致命弱点"。研究团队在消融实验中发现了一个反直觉现象：通过块级别蒸馏出的小参数学生模型，在零样本分割等密集型图文对齐任务上，性能竟然大幅反超了规模巨大的教师模型！。论文提出 TIPSv2，通...

如果回看过去十年的计算机视觉发展，其主线其实非常清晰：从早期以 ImageNet classification 为代表的“识别范式”，到以检测、分割为核心的“结构理解”，再到扩散模型推动的“生成范式”，视觉研究始终围绕一个核心目标展开——让机器更准确地“看见世界”。 然而，这一路径在近两年开始出现明显的边界：当模型已经可以在静态图像上达到接近甚至超过人类的感知水平时，“看得更准”本身，正在变...