·技术, 多模态
1 分钟0
流式视频理解 VLM 精读：领域地图——从全双工语音到'边看边想边开口'
> 本文是「流式视频理解 VLM 精读」系列的开篇（总览/索引篇）。系列素材来自开源文献地图 Awesome-VLM-Streaming-Videohttps://github.com/ydyhello/Awesome-VLM-Streaming-Video（京东探索研究院维护），它汇集了
HalfSugar
半甜不要腻 · 记录学习、算法与 AI 前沿
180
篇文章
51
个分类
这里是 HalfSugar 的个人博客，分享大模型与多模态前沿论文解读、工程实践、算法题解， 偶尔也有小游戏和生活碎片。内容按主题归档，欢迎用标签或搜索自由探索。
最新精选
最近文章
展示 15 / 180 篇·技术, 多模态
1 分钟0
流式视频理解 VLM 精读①：主动交互——模型到底应该何时开口？
> 这是「流式视频理解 VLM 精读」系列第 1 篇。上一篇是领域地图，这篇扎进最核心也最微妙的问题：流式视频模型凭什么决定自己"该不该开口、什么时候开口"？ 一个看似简单、实则很难的问题 人陪你看球赛，进球时会喊"进了！"，但不会每分钟都喊。这份"何时说话"的直觉，对 VLM 而
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读②：长时记忆——无限视频流怎么记住？
> 这是「流式视频理解 VLM 精读」系列第 2 篇。上一篇讲"何时开口"，这篇讲"开口时还记得什么"——视频是无限流，但模型的注意力窗口和显存是有限的，怎么做到"几个小时后还记得之前发生的事"？ 记忆问题的本质 看过几小时球赛，人记得"上半场有个越位没吹"。但 VLM 做不到直接
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读③：实时推理——怎么才够快？
> 这是「流式视频理解 VLM 精读」系列第 3 篇。前两篇解决"要不要说、还记得吗"，这篇解决一个更现实的问题：就算你又主动又记得住，如果不够快，体验直接归零。视频是实时的，模型响应也要接近实时。 实时推理的两大硬指标 流式视频模型的"快"不是玄学，业界普遍盯着两个数： 1.
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读④：边看边想（Streaming + CoT）——模型看视频时能「想一想」吗？
> 这是「流式视频理解 VLM 精读」系列第 4 篇。前三篇分别讲了"开口、记忆、速度"，这篇是一个既有"智能"又有"品味"的新方向：让模型一边看视频一边输出推理（Chain-of-Thought），并且学会把握"想多久才算够"。 为什么"边看边想"这么难？ 单看"看视频后再推理"
·技术, 多模态
1 分钟0
流式视频理解 VLM 精读⑤：评测与数据——30+ 个 benchmark 看懂门道
> 这是「流式视频理解 VLM 精读」系列的收尾篇。前四篇讲了"开口、记忆、速度、思考"四项技术，但这一切的前提是——我们要能正确衡量"模型到底懂不懂流式视频"。这篇把本领域 30+ 个 benchmark 与训练数据集盘一遍，帮你看懂门道。 为什么要专门的"流式"评测？ 普通视频
·技术调研
1 分钟0
AI 每日调研 · 2026年10月07日｜GPT-6全量上线、Claude Haiku 5.5发布、具身应用加速落地
--- 今日速览 1. OpenAI官宣GPT-6全量上线，覆盖全球超12亿ChatGPT用户，新增智能UI交互能力 2. Anthropic发布Claude Haiku 5.5，运行成本较前代降75%，10万Token内请求API价格降90% 3. 谷歌开源EmbeddingGemma 2原
·技术调研
1 分钟0
AI 每日调研 · 2026年10月06日｜上海AI Lab开源多模态模型、具身企业获数亿融资
今日速览 1. 上海AI Lab开源16B MoE统一多模态模型InternLumina-U2，支持华为昇腾落地 2. 自变量机器人完成数亿元Pre-A++轮融资，加速具身智能大模型训练与场景落地 3. 全球首台搭载全国产化电子架构的具身智能机器人正式亮相 4. 具身智能领域新增Agent自提
·技术调研
1 分钟0
AI 每日调研 · 2026年10月05日｜Reflection AI发布5010亿参数开源Beam大模型、腾讯阿里多模态模型开源
今日速览 1. 英伟达投创企Reflection AI发布5010亿参数开源大模型Beam，性能逼近头部厂商旗舰 2. 腾讯开源80B参数混元生图3.0，为目前参数量最大的开源生图模型 3. 阿里开源通义万相Wan2.2-S2V，单图加音频即可生成电影级数字人视频 4. 自变量机器人完成数亿元
·技术调研
1 分钟0
AI 每日调研 · 2026年10月04日｜谷歌Gemini 4 Argon发布、紫东太初5.0开源登榜
今日速览 1. 谷歌发布新一代旗舰大模型Gemini 4 Argon，优先向专业安全人员开放测试 2. 中科院紫东太初开源ZDTaichu5.0-9B多模态大模型，9项国际基准拿8项第一 3. 微软发布通用多模态基础模型BEiT-3，推动多模态预训练技术统一 4. 具身智能领域新增Agent自
·技术调研
1 分钟0
AI 每日调研 · 2026年10月03日｜新松工业具身机器人亮相、MiniMax 3上半年将发布
今日速览 1. 新松发布松羿力量版具身智能机器人，负载15千克适配工业搬运分拣场景 2. MiniMax官宣3.0版大模型上半年发布，主打多模态全球顶级性能 3. 汽车座舱多模态交互成落地热点，融合语音、视觉、环境感知能力 4. 具身智能领域新增Agent自提升、技能复用方向arXiv研究成果
·技术调研
1 分钟0
AI 每日调研 · 2026年10月02日｜OpenAI发布GPT-Live、阿里开源PS级图像编辑模型
今日速览 1. OpenAI发布GPT-Live语音交互模型，支持同步听与说，对话体验接近真人 2. 阿里开源Qwen-Image-Layered图像模型，可实现PS级图层理解与精准编辑 3. 新松发布松羿力量版具身智能机器人，负载15千克适配工业搬运分拣场景 4. 多模态arXiv新增《Ge
·技术调研
1 分钟0
AI 每日调研 · 2026年10月01日｜国内首个通用具身智能训练平台上线
--- 今日速览 1. 国内首个通用具身智能训练平台正式对外开放，支持多形态智能体"看学做"一站式训练 2. Cohere Embed 5嵌入模型正式上线，官方已发布完整技术细节与可用性说明 3. 多模态领域arxiv新增《Gestalt: Large Multimodal Interplay
·技术调研
1 分钟0
AI 每日调研 · 2026年09月30日｜Cohere 发布Embed 5模型、中国生成式AI用户破7亿
今日速览 1. Cohere 于9月30日正式推出Embed 5嵌入模型，相关技术细节已更新至官方Release Notes 2. 中国互联网络信息中心发布报告，截至2026年上半年我国生成式AI用户规模突破7亿，普及率超50% 3. 多模态领域arXiv新增《Gestalt: Large M
·技术
1 分钟0
OpenAI DevDay 2026 全记录：从常驻智能体 dots、GPT-6.1 Sol 到主动智能时代
2026年9月29日，OpenAI 举办了迄今为止规模最大的一届 DevDay，一口气放出超过 20 项更新，横跨 ChatGPT、Codex、模型体系以及人与 AI 协作的全新方式。与往年"模型参数竞赛"的主线不同，今年 OpenAI 把叙事重心从「更聪明的模型」转向「更主动的智能」：让 AI 不