伴随着ImageNet挑战赛举办，这一成果已然成为了计算机视觉领域的试金石，开启了一个新的时代。所以，以人为本、目标清晰、规模巨大的BEHAVIOR，无疑具备成为“下一个ImageNet”的潜力。例如，团队会在任务定义、数据选择和伦理价值导向上，来始终确保机器人的目标与人类的需求相符。Anyway，如果说ImageNet开启了视觉智能的黄金时代，那BEHAVIOR，或许正是具身智能的第一声号角。因

这种数据共享模式将降低数据采集的成本，避免了重复采集和资源浪费，还将大大提高了数据采集的效率，加速Scaling law中真实数据的比例，从而加速灵巧操作在实际应用场景的落地，推动扩大整体市场规模。为将灵巧手精准嵌入视频，团队在灵巧手上重放记录的关节动作，录制仅包含灵巧手的独立视频（图4d）。方面，采用数据处理流水线形式。在DexUMI的测试中，星动纪元自研五指灵巧手星动XHAND 1相比因时五指

针对文档类界面中文字精确定位的需求，团队收集文档图像，结合OCR工具提取文本内容及其空间坐标，构建出支持单词甚至单字符级定位的数据集，使模型能够准确响应“点击第三段第二行的‘提交’二字”这类精细指令。Worker Agent负责执行操作。通过这套先进的RL框架，GUI-Owl在动态环境中的表现得到巨大提升，在OSWorld-Verified基准测试中，成功率从27.1%稳定提升至34.9%。每一步

不管是什么形态，背后做的其实就是人机交互这一件事，让机器人能真正理解人、配合人，能在复杂、真实的环境里，稳定、安全地工作。傅里叶是位法国数学家，他提出的傅里叶变换。，基于傅利叶GR-1人形机器人，验证了视觉语言大模型在手势生成、非语言交流里的适应性与自然度，结果表明，机器人手势自然度甚至超越真人示范。我们的团队，经历过技术的迭代升级，商业周期的起伏，依旧保持着创新活力，初心不改。为探索模仿学习、泛

金磊 发自 深圳量子位 | 公众号 QbitAI一家不造机器人的国产公司，竟把开发智能机器人的门槛给打下去了——效率提升90%！你没听错，干出这事儿的，叫做地瓜机器人。或许很多小伙伴会对此感到陌生，但其实它的前身正是地平线的机器人部门。（嗯，都姓“地”）那么地瓜机器人到底把开发这事儿简化到了何种程度？例如不写一行代码，现在就可以开发机器人的启动相机、启动YOLOv10目标检测、抓取物体时的跟踪检测

几个月前，我们收到了一些AI生成的低质量安全报告，”Linux内核负责人Greg Kroah-Hartman回忆道，最搞心态的是，这些AI生成的报告，竟然大部分都还是对的，想摸鱼都没借口，何况这提交者还是一个不用睡觉的“赛博监工”。每个人都觉得“哦，我的使用场景永远不会遇到这些bug”，但总会有倒霉蛋遇到某个特定的bug，然后被逼疯。要知道，以前想找出安全漏洞，通常需要比较高的技术门槛，一份报告往

丰色 发自 凹非寺量子位 报道 | 公众号 QbitAI这两天，一封名为《不要提交刷KPI的patches来浪费管理员时间》的邮件“火”了！发出之后，直接冲上了Linux内核邮件列表的“热...

当Agent的框架、工具、数据和训练方式都保持一致时，仅仅改变语言模型的生成范式（Autoregressive vs Diffusion），是否会系统性地改变Agent的规划与行为模式？不过，考虑到生成范式的不同，针对多轮长链交互的DLLM训练，作者使用了针对性调整的Mask策略和Attention裁剪策略，提升了DLLM Agent训练和推理的一致性。这意味着，要充分发挥DLLM的潜力，并不能将

允中 发自 凹非寺量子位 | 公众号 QbitAI仅需1块80G显卡，大模型理解小时级超长视频。智源研究院联合上海交通大学、中国人民大学、北京大学和北京邮电大学等多所高校带来最新成果超长视频理解大模型Video-XL。它借助语言模型（LLM）的原生能力对长视觉序列进行压缩，不仅保留了短视频理解的能力，而且在长视频理解上展现了出色的泛化能力。相较于同等参数规模的模型，Video-XL在多个主流长视频

新宇投稿 凹非寺量子位 | 公众号 QbitAIGPT-4o 四月发布会掀起了视频理解的热潮，而开源领军者Qwen2也对视频毫不手软，在各个视频评测基准上狠狠秀了一把肌肉。但当前的大部分评测基准仍然具有以下几个缺陷：多注重于短视频，视频长度或视频镜头数不足，难以考察到模型的长时序理解能力；对模型的考察局限在部分较为简单的任务，更多细粒度的能力未被大部分基准所涉及到；现有的基准仍可以仅凭单帧图像以.