Linguaggio, computer vision, audio, multimodale
Un world model per la manipolazione robotica riceve una fotografia della scena e la traiettoria prescritta per due bracci, e…
I sistemi agentici per generare immagini cercano sul web, ragionano, disegnano bozzetti e si correggono da soli, ma ciascuno applica…
I modelli visione-linguaggio-azione guidano i robot senza chiedersi che cosa succederà dopo. Un gruppo di Fudan raccoglie in 69 pagine…
Un laboratorio austriaco sostiene che Whisper sappia già trascrivere esitazioni, ripetizioni e parole troncate, e che il problema sia soltanto…
Il laboratorio di visione di AMAP, la divisione mappe di Alibaba, descrive un world model video che risponde alla tastiera,…
Un gruppo di NVIDIA addestra un solo riconoscitore vocale che trascrive sia a registrazione finita sia in diretta, fino a…
Da una frase o da una foto, un mondo 3D in cui si può camminare; da un video, la sua…
Oxford e Meta riprendono VGGT, il modello che da una manciata di foto ricava in un colpo solo camere e…
I modelli che ricostruiscono una scena 3D da una sola foto sbagliano proprio dove la scena è più fine: ringhiere,…
Un gruppo della Tsinghua lascia intatti i pesi di due modelli che muovono i robot e fa crescere attorno a…
