入选ECCV 2026！清华开源空间模型打败Gemini：真正的空间智能是在世界变化中持续学习

入选ECCV 2026！清华联合腾讯混元提出开源空间模型GEM，在复杂动态场景空间推理中全面超越Gemini，证明真正的空间智能需要在世界变化中持续学习。

深度估计准确率冲上0.9，Meta提出VLM³，论证视觉模型天生会学3D，以Qwen3-VL-4B为基础实现多任务的统一建模

Meta与普林斯顿大学联合提出VLM³，证明标准视觉语言模型天生具备3D理解能力，基于Qwen3-VL-4B实现深度估计、像素匹配等多任务统一建模，深度估计准确率突破0.9。

π0.7发布，VLA押出了机器人的GPT-3时刻

π0.7发布标志着具身智能在多模态学习与泛化能力上的重大突破，VLA技术首次实现从训练数据中“涌现”新能力。

SceneXplain

SceneXplain 是一个强大的图像视频理解工具，能为视觉内容生成详细字幕和摘要，增强可访问性与叙事能力。

Qwen2-VL

Qwen2-VL是阿里开源的先进视觉语言大模型，融合视觉与语言理解能力。