搜索
统一多模态模型（Unified Multimodal Models, UMMs）通常为理解和生成分别使用不同的视觉表示：用 ViT 提取理解所需的语义特征，用 VAE 提供生成所需的潜变量。这样一来，同一张图像要以两种 token 进入上下文，视觉上下文随之变长；这种双流接口也不同于视觉-语言模型（VLM）常用的单一视觉流，难以直接沿用成熟的 VLM 预训练流程。
OpenAI还有数学发现没公开？
想象一项任务：把相机交给AI，让它进入一间从未见过的虚拟房间。没有预先给定的物体坐标，也没有替它安排好的参观路线。它需要决定朝哪里转、向哪里移动、何时再拍一张图，并最终说清楚各个目标物体在三维空间中的位置。
在电子游戏里，玩家拥有一项近乎无敌的特权——无限读档（env.reset）。
TypeSafe AI联合Treg开源基于Jev的找人工具，支持Agent接入Treg并调用人员数据库、找人及邮箱验证等功能，Jev负责筛选候选人；该工具单次起价0.0089美元，较Clay便宜超85%，并获6400 Star。
OpenAI将从12月起合并Plus、Pro用户的ChatGPT与Codex用量额度并统一按Token计费，基础Instant聊天除外，ChatGPT近乎无限的聊天额度将结束。
Anthropic确认，Claude Code运行Opus 5.5时通过服务器端推送提示词，允许构建原创游戏但禁止复刻特定现有游戏，用户无法关闭该规则。
OpenAI发布76秒神秘动画，引发对GPT-6.1 Astra即将发布的猜测；第三方模型追踪截图还显示gpt-6.2-betelgeuse - INTERNAL，网传GPT-6.2 Betelgeuse参数规模达12万亿。
谷歌Project Suncatcher原型卫星首次在轨运行Google TPU，并调用预部署的Gemma 4生成和回传完整AI响应，迈出太空AI数据中心实际运行第一步。
小米发布并开源0.8B文档理解模型Xiaomi-OCR-0，融合文档解析、关键信息抽取与视觉问答，在OmniDocBench v1.6获96.83分并位列1B以下第一，相关技术正用于小米手机“超级小爱”的识屏办事场景。