泛化能力

基于ViLLA架构的可少样本学习的具身智能机器人AI模型 GO-1采用创新Vision-Language-Latent-Action架构，结合多模态大模型与混合专家MoE系统，实现从视觉语言输入到机器人动作执行的高效转换。它可依托人类视频与真实机器人数据训练，能在极少甚至零样本下适配新任务新环境，支持多种机器人本体，推动具身智能通用化发展。

文本到视频扩散模型奖励微调框架，降微调成本提效率 InstructVideo采用编辑式奖励微调方案，复用现有图像奖励模型，通过分段稀疏采样、时间衰减奖励生成奖励信号，相比传统方案减少微调成本，提升微调效率，可提升生成视频的视觉质量，同时保持较强泛化能力，相关技术资料可在官网获取。

面向图视频的通用对象基础模型，支持零样本对象感知迁移 GLEE是针对图片、视频的通用对象基础模型，采用统一框架完成图像与视频中对象的定位与识别，可适配多类对象感知任务。该模型通过联合训练不同监督水平的多类数据源，生成通用对象表示，在保持顶尖性能的前提下，可实现高效的零样本迁移与泛化，同时具备不错的可扩展性与鲁棒性。

基于SAM 2的视觉跟踪模型，适配快速移动自遮挡目标跟踪 SAMURAI是基于Segment Anything Model 2开发的视觉对象跟踪模型，专为处理快速移动、存在自遮挡的复杂跟踪场景设计。该模型引入时间运动线索与运动感知记忆选择机制，可预测对象运动并优化掩膜选择，无需重新训练或微调即可实现鲁棒跟踪，可实时运行，在多个公开基准数据集上性能优于现有同类跟踪器。