ข้ามไปยังเนื้อหา

แท็ก

#world model

3 บทความ

World Labs เปิด Atlas — world model ที่รับกล้องเป็นอินพุตดั้งเดิม ปั้นวิดีโอ 1 นาที 1440p และคืน point cloud / Gaussian splat ได้ แต่เข้าถึงได้เฉพาะ early access และไม่บอกขนาดโมเดล
โมเดลใหม่

World Labs เปิด Atlas — world model ที่รับกล้องเป็นอินพุตดั้งเดิม ปั้นวิดีโอ 1 นาที 1440p และคืน point cloud / Gaussian splat ได้ แต่เข้าถึงได้เฉพาะ early access และไม่บอกขนาดโมเดล

1 ก.ย. 2026 World Labs ของ Fei-Fei Li เปิดตัว Atlas — omni world model แบบ multimodal autoregressive diffusion transformer ที่รับ text/ภาพ/วิดีโอ/3D และ pose ของกล้องเป็นอินพุตดั้งเดิม ชนะโมเดลวิดีโอชั้นนำในการตามเส้นทางกล้อง และเอาชนะโมเดล reconstruction เฉพาะทางแบบโอเพนซอร์สในค่าเฉลี่ย 7 ชุดข้อมูล แต่ยังไม่มี API สาธารณะ ไม่มีน้ำหนัก และไม่เปิดเผยจำนวนพารามิเตอร์

· อ่าน 7 นาที
Photon-1: โมเดลที่เรียนใช้คอมพิวเตอร์จากวิดีโอ 18 ปีโดยไม่มีป้ายบอกว่ากดอะไร — ใช้คอมพิวต์น้อยกว่า Gemini 3.1 Flash-Lite 27 เท่า แต่ชนะบน benchmark ของตัวเอง
งานวิจัย

Photon-1: โมเดลที่เรียนใช้คอมพิวเตอร์จากวิดีโอ 18 ปีโดยไม่มีป้ายบอกว่ากดอะไร — ใช้คอมพิวต์น้อยกว่า Gemini 3.1 Flash-Lite 27 เท่า แต่ชนะบน benchmark ของตัวเอง

Induction Labs เผยผลวิจัย Photon-1 โมเดล MoE 106B (active 5B) ที่เทรนล่วงหน้าด้วยวิดีโอหน้าจอคอมพิวเตอร์ 575 ล้านเฟรม (ราว 18 ปี) โดยไม่มี action label เลย ใช้ FLOPs น้อยกว่า Gemini 3.1 Flash-Lite ราว 27 เท่า แต่รายงานว่าทำคะแนนดีกว่าบน benchmark computer use ภายใน และเสิร์ฟถูกกว่า 3 เท่า

· อ่าน 6 นาที
Qwen-AgentWorld: โมเดลโอเพนเวตที่ "จำลองโลกของเอเจนต์" — ทำนายว่า terminal/เบราว์เซอร์/มือถือจะตอบอะไรกลับ แทนที่จะลงมือทำจริง
โมเดลใหม่

Qwen-AgentWorld: โมเดลโอเพนเวตที่ "จำลองโลกของเอเจนต์" — ทำนายว่า terminal/เบราว์เซอร์/มือถือจะตอบอะไรกลับ แทนที่จะลงมือทำจริง

ทีม Qwen ของ Alibaba ปล่อย Qwen-AgentWorld — โมเดลภาษาที่ทำหน้าที่เป็น "world model" ของเอเจนต์ คือทำนายว่าสภาพแวดล้อม (terminal, เบราว์เซอร์, Android, OS) จะตอบอะไรกลับเมื่อเอเจนต์ลงมือ แทนที่จะเป็นตัวเอเจนต์เอง เปิดเวต Apache 2.0 ขนาด 35B-A3B รันบนเครื่องตัวเองได้ พร้อมเบนช์มาร์ก AgentWorldBench

· อ่าน 6 นาที