全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

TuringSpace:以交互式 CAPTCHA 在行动中锚定空间智能

Humans act in the visual world by inferring the 3D layout behind a 2D view, predicting how an action changes it, and correcting themselves after seeing the result. Can multimodal large language models (MLLMs) do the same? CAPTCHAs offer a natural test, since humans solve them through this very loop, clicking and draggi

阅读原文 · Xuwei Ding, Skylar Zhai, Linxin Song, Jiarui Feng, Dongqi Fu, Huajun Xi, Junnan Li, Jingcheng Liang, Jieyu Zhao, Yinglong Xia, Hong Li, Jian Kang

乔木风格重写

向阳乔木 · opencode-go/deepseek-v4.1-flash

这篇论文值得看的地方,是它把“空间智能”从看图说话拉回到动作里。 人类看一张 2D 截图,脑子里会自动补出背后的 3D 布局,猜一下“我点这里会怎样”,点完发现不对再调整。TuringSpace 就是拿这个循环当考题:125 个交互式 CAPTCHA,必须靠点击和拖拽完成。 结果挺扎心。人类能解 94.1%,最强模型 GPT-6 Astra 还挂 25.9%...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出

分享海报

正在生成海报…

主题

字体

开源字体第一次使用时联网下载,只取海报上用到的字。