当前的视频生成模型无法模拟3D动作的物理后果，如力和机器人操作，因为它们缺乏结构理解……

Human motion prediction 将轨迹预测（trajectory forecasting）和人体姿态预测（human pose prediction）这两个任务结合在一起。针对这两个任务，已经开发了专门的模型……

前馈Transformer模型推动了3D视觉的快速进展，但诸如VGGT和π³等最先进的方法的计算成本随……

传统的 vision-language models 在对比细粒度分类推理方面表现不佳，尤其是在区分外观相似的物种时……

病理报告生成仍然是一个相对未被充分探索的下游任务，主要是由于其 gigapixel 规模和复杂的形态异质性。

大规模视觉语言基础模型（VLFMs），例如 CLIP，现已支撑广泛的计算机视觉研究和应用。VLFMs 通常是 ada...

构建计算机辅助设计（CAD）模型工作量大，但对工程和制造至关重要。近期在大型语言模型（LL...）取得了重要进展。

我们梦想着一个未来，所有领域的 point clouds 能够汇聚在一起，塑造一个惠及所有领域的单一模型。为实现这一目标，我们提出了 Utonia，...

具身对话代理（Embodied Conversational Agents，ECAs）旨在通过语音、手势和面部表情来模拟人类面对面的互动。当前的大型语言模型……

许多关键的操作任务——例如食品准备、外科手术和工艺制作——对自主机器人仍然难以解决。这些任务的特征是…

实现自主且多功能的 whole-body loco-manipulation 仍然是使 humanoids 实际有用的核心障碍。然而，现有的方法仍然不足……

进行交互并从经验中学习的能力是机器人学的核心挑战，提供了一种可扩展的替代方案，以取代劳动密集型的人类 de...