大道至简！复旦×南洋理工提出SimpleVLN，用原生MLLM刷新导航SOTA
论文标题:SimpleVLN: Towards Simple and Frontier Vision-Language Navigation With Native MLLMs。
从图像到视频的任意分割：X2SAM让MLLM 真正看懂像素级时空世界
论文标题:X2SAM: Any Segmentation in Images and Videos。X2SAM 由多模态大模型、区域采样模块、Mask Encoder、Mask Decoder 和 Mask Memory 等部分组成。
低成本提效，解锁大模型预训练的全新提速思路
本文约2000字，建议阅读5分钟本文介绍了 TST 训练法，零改模型架构，大幅提升大模型预训练效率。不改模型架构和推理方式，只在预训练前半程调整 token 表示和预测目标，就让 10B-A1B MoE 跑出同等 loss 下最高 2.5 倍提速。
仅2.6亿参数加速8.7倍！字节二值化Token模型击败顶尖架构
仅用2.6亿参数的模型实现8.7倍加速，并在图像生成上击败14亿参数的顶尖架构。字节发布BitDance模型，为多模态人工智能的演进提供了一份极具价值的工程蓝图。
Agent 开发（一）：LLM 是什么？
上一篇 Agent 开发到底该学什么[1] 里，我把学习路线拆成了十块，第二块是「LLM 基础认知」。这一篇就把这块讲透。目标很朴素：看完之后，你能回答三个问题——这个需求，LLM 到底能不能做？它为什么会产生幻觉、为什么会忘记、为什么同样的输入两次结果不一样？
Meta或测试Quest 4原型机，具有眼追+面追；50%开发者认为VR在衰退
【VRAR星球原创稿件，未经许可禁止转载】每天三分钟，了解VR/AR行业热点今日新闻速览•库克现身北京王府井苹果零售店，再次为Vision Pro打广告•Meta或在测试一款具有眼球和面部追踪功能的Quest 4原型•调查显示半数开发者认为VR市场正在衰退或停滞•Meta Que
沉迷和 AI 谈恋爱，她们定制人设搭建记忆，甚至上演虚拟“见家长”
为了让“恋爱”谈得更有沉浸感，她们手搓前端，不仅让界面更美观，还能和AI互发聊天截图、建立情侣日程清单，甚至还能让AI主动打电话过来。
自回归也能做强视觉模型？NEPA开启下一嵌入预测时代，谢赛宁参与
编辑｜Panda众所周知，LeCun 不喜自回归，并且还提出了一种名为联合嵌入预测架构（JEPA）的新方向，并且该方向也一直在有新成果涌现。然而，自回归模型的成功也是有目共睹的，尤其是在语言领域。那么，生成式预训练在自然语言上的成功能否在视觉领域重现呢？