从OpenAI 的 4o 到 Stable Diffusion，能够根据文本提示生成逼真图像的 AI 基础模型如今已比比皆是。相比之下，能够仅凭文本提示就生成完整、连贯的 3D 在线环境的基础模型才刚刚崭露头角。
字节最近真的猛猛开源啊……这一次，他们直接开源了GPT-4o级别的图像生成能力。不止于此，其最新融合的多模态模型BAGEL主打一个“大一统”， 将带图推理、图像编辑、3D生成等功能全都集中到了一个模型。
手绘草图一键变身专业游戏形象：
仅需5000美元就能实现人形机器人3D打印？UC伯克利这次又又又整新活了！注意看，画面中这个正在认真写名字的小家伙，就是来自UC伯克利的最新作品——人形机器人Berkeley Humanoid Lite （BHL）。
新架构选择用KAN做3D感知，点云分析有了新SOTA！
空间音频，作为一种能够模拟真实听觉环境的技术，正逐渐成为提升沉浸式体验的关键。
MICAS是一种专为3D点云上下文学习设计的多粒度采样方法，通过任务自适应点采样和查询特定提示采样，提升模型在点云重建、去噪、配准和分割等任务中的稳健性和适应性，显著优于现有技术。
AI 不允许有人不会搭乐高。
如何将一句简单的文字描述变成物理稳定的乐高模型？LegoGPT通过物理感知技术，确保98.8%的设计稳如磐石。
Sora、可灵等视频生成模型令人惊艳的性能表现使得创作者仅依靠文本输入就能够创作出高质量的视频内容。然而，我们常见的电影片段通常是由导演在一个场景中精心布置多个目标的运动、摄像机拍摄角度后再剪辑而成的。例如，在拍摄赛车追逐的场景时，镜头通常跟随赛车运动，并通过扣人心弦的超车时刻来展示赛事的白热化。
