NEPA 正是将这种 GPT 式的哲学引入视觉领域的一次大胆尝试。作者认为，与其学习如何重建图像，不如学习如何“推演”图像。如果模型能够根据已有的视觉片段（Patches），准确预测出下一个片段的特征表示（Embedding），那么它一定已经理解了图像的语义结构和物体间的空间关系。

【新智元导读】谷歌这波像开了「大小号双修」：前脚用Gemini把大模型战场搅翻，后脚甩出两位端侧「师兄弟」：一个走复古硬核架构回归，一个专职教AI「别光会聊，赶紧去干活」。手机里的智能体中枢，要开始卷起来了。

Chinese AI startup Zhipu AI aka Z.ai has released its GLM-4.6V series, a new generation of open-source vision-language models (VLMs) optimized for multimodal reasoning, frontend automation, and ...

V, a multimodal model that has introduced native visual function calling to bypass text conversion in agentic workflows.

Ai2 releases Bolmo, a new byte-level language model the company hopes would encourage more enterprises to use byte level ...

This study presents a valuable advance in reconstructing naturalistic speech from intracranial ECoG data using a dual-pathway model. The evidence supporting the claims of the authors is solid, ...

Apple's M1 chip revolutionized computing and set a new standard for performance and efficiency. For the fifth anniversary of ...

Unlock the full InfoQ experience by logging in! Stay updated with your favorite authors and topics, engage with content, and download exclusive resources. Vivek Yadav, an engineering manager from ...

AI这个圈子有一个很神奇的特点：就是复利性基本为零。 每次我看到类似「202X年，入行YYY方向还来得及吗？」的问题的时候，我都会想到这个特点。 原因其实很简单，我只从科研上举一些例子。比方说从2023年之后入行做生成的小伙伴，你大概率不用再去了解基于GAN的一些知识，因为就算你弄得很懂，对于diffusion ...

【新智元导读】千团大战杀出三匹黑马，200万大奖竟被这届00后卷走了！历时4个月的广告算法大赛收官，全球2800支战队全部死磕「全模态生成式推荐」。令人惊喜的是，高校学生们的最新方案，已与工业界没有代差。