Meta本周发布的一款新生成式AI模型可能会改变机器理解物理世界的方式,为更智能的机器人等应用创造机会。
这款名为"视频联合嵌入预测架构2"(V-JEPA 2)的开源模型,旨在帮助人工智能理解重力和物体永恒性等物理概念。
Meta在博客文章中表示:"通过分享这项工作,我们希望为研究人员和开发者提供最佳模型和基准,以帮助加速研究和进展,最终打造更好、更强大的AI系统来改善人们的生活。"
目前允许AI与物理世界交互的模型依赖于标记数据或视频来模拟现实,但这种新方法强调物理世界的逻辑,包括物体如何移动和相互作用。该模型能让AI理解诸如球从桌子上滚落会掉下来这样的概念。
Meta表示,该模型对自动驾驶车辆和机器人等设备很有用,因为它们无需针对每种可能情况进行训练。公司称这是向类人适应能力AI迈出的一步。
物理AI领域的一大挑战是需要大量训练数据,这需要时间、资金和资源。今年早些时候在SXSW大会上,专家表示合成数据——由AI创建的训练数据——可以帮助传统学习模型应对意外情况。
Meta表示,其新模型简化了这一过程,使实际应用更加高效,因为它不依赖于所有这些训练数据。
世界模型的下一步包括训练能够在不同时空尺度上学习、推理和规划的模型,使它们更好地分解复杂任务。除了视觉之外还能使用音频和触觉等其他感官的多模态模型,也将帮助未来的AI模型更好地理解现实世界。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。