Gemini 4 Argon 模型卡
Gemini 4 Argon — Model Card
官方模型资料，记录评测、局限与安全考量。此处日期为官方列出的模型卡更新日期。
THE RESEARCH ATLAS
多模态 AI 论文
连接语言、图像、语音与视频。关注跨模态表示、生成系统及其评测，而不是把所有模态压成一个排名。
Nano Banana 2.1 模型卡
Nano Banana 2.1 — Model Card
官方图文模型资料，包含输入输出、架构依赖及安全评估。
FACT：面向人类到机器人灵巧技能迁移的多模态力—动作—轨迹基础模型
FACT: A Multimodal Force-Action-Track Foundation Model for Human-to-Robot Dexterity
结合人类与机器人示范，通过感知交互力的规划研究灵巧操作。
UnifoLM-WLA-1.0：单一模型驱动的全身协调
UnifoLM-WLA-1.0: One Model Driven, Whole-Body Coordination
将具身理解、交互世界建模与动作学习放入通用人形机器人框架，覆盖桌面和全身操作。
Qwen-Audio-Agent：全双工语音与任务编排
Qwen-Audio-Agent Technical Report
前后台架构将语音交互与异步任务执行分开，协调授权、状态与结果交付。
DeepSeek-V4.1-Flash：更智能、更快速、更高效
DeepSeek-V4.1-Flash: smarter, faster, more efficient
官方介绍非对称因果编码器—解码器架构，并提供技术报告及模型资源入口。
Qwen-Image-2.0-RL：图像生成的强化学习与蒸馏
Qwen-Image-2.0-RL Technical Report
扩散模型后训练流程结合任务奖励、强化学习与同策略蒸馏。
Qwen-RobotWorld：语言驱动的具身世界模型
Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation
语言条件视频世界模型预测操作、导航和驾驶等场景中的未来视觉轨迹。
小鹏 X-World：面向自动驾驶的可控多视角生成式世界模型
XPeng X-World: Controllable Multi-View Generative World Model for Autonomous Driving
使用多视角生成式世界模型，为自动驾驶闭环仿真、场景生成和模型验证提供支持。
Qwen3.5-Omni 技术报告
Qwen3.5-Omni Technical Report
报告探索全模态模型家族，以及异构视觉、文本和音频数据的训练。
UniDex：从第一视角人类视频中学习通用灵巧手控制的机器人基础套件
UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos
以数据集、VLA 策略及采集系统，将人类示范连接到不同灵巧手的控制。
Kimi K2.5：视觉智能体能力与多模态训练
Kimi K2.5: Visual Agentic Intelligence
探索文本与视觉的联合训练，以及多智能体任务分解能力。
UnifoLM-VLA-0：面向人形机器人操作的视觉—语言—动作框架
UnifoLM-VLA-0: A Vision-Language-Action (VLA) Framework under UnifoLM Family
以机器人操作数据继续训练视觉—语言模型，将指令与空间理解连接到动作预测。
Qwen3-ASR 技术报告
Qwen3-ASR Technical Report
语音识别家族与强制对齐模型面向多语言转录和时间戳预测。
Qwen3-VL 技术报告
Qwen3-VL Technical Report
Qwen 视觉语言家族在不同规模模型中融合文本、图像与视频理解。
Alpamayo-R1：连接推理与动作预测，应对自动驾驶长尾场景
Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail
以 Cosmos-Reason 与扩散轨迹解码器连接驾驶推理和动作预测，并研究推理与行动的一致性。
Gemini 2.5：以高级推理、多模态、长上下文和新一代智能体能力推进前沿
Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality, Long Context, and Next Generation Agentic Capabilities
模型家族报告涵盖推理、多模态输入、长上下文及智能体相关评测。
GR00T N1：面向通用人形机器人的开放基础模型
GR00T N1: An Open Foundation Model for Generalist Humanoid Robots
耦合视觉语言模块与扩散动作模块，把推理和连续机器人动作生成结合。
Gemini Robotics：将人工智能带入物理世界
Gemini Robotics: Bringing AI into the Physical World
基于 Gemini 的模型探索机器人操作与具身推理，把多模态理解连接到物理控制。
Cosmos：面向物理 AI 的世界基础模型平台
Cosmos World Foundation Model Platform for Physical AI
围绕视频处理、Tokenizer、预训练世界模型与后训练，构建可面向机器人和驾驶任务定制的世界模型平台。
EMMA：面向自动驾驶的端到端多模态模型
EMMA: End-to-End Multimodal Model for Autonomous Driving
以 Gemini 为基础，从摄像头输入与文本描述预测驾驶轨迹、感知对象和道路结构。
SAM 2：图像与视频的通用分割
SAM 2: Segment Anything in Images and Videos
把可提示分割从单幅图像扩展到视频，使用流式记忆与交互式数据采集。
OpenVLA：开源视觉—语言—动作模型
OpenVLA: An Open-Source Vision-Language-Action Model
开源视觉—语言—动作模型及适配框架，为通用机器人策略研究提供基础。
GAIA-1：面向自动驾驶的生成式世界模型
GAIA-1: A Generative World Model for Autonomous Driving
将视频、文字与车辆动作映射为序列，生成受条件控制的驾驶场景与可能的未来。
RT-2：视觉—语言—动作模型将网络知识迁移至机器人控制
RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control
让视觉语言模型输出机器人动作，探索网络规模学习向机器人控制的迁移。
GPT-4 技术报告
GPT-4 Technical Report
报告介绍 GPT-4 的能力、评测与局限，同时并未公开所有训练细节。
扩散策略：通过动作扩散学习视觉运动策略
Diffusion Policy: Visuomotor Policy Learning via Action Diffusion
将机器人控制建模为条件动作序列去噪，把扩散模型连接到视觉运动学习。
从自然语言监督中学习可迁移的视觉模型
Learning Transferable Visual Models From Natural Language Supervision
通过对比学习对齐图像与自然语言描述，使视觉表示能够迁移到新类别。
去噪扩散概率模型
Denoising Diffusion Probabilistic Models
模型学习逐步反转加噪过程，为图像生成建立了重要的扩散建模路线。
ApolloScape：自动驾驶开放数据集及其应用
The ApolloScape Open Dataset for Autonomous Driving and its Application
为自动驾驶的多传感器融合、语义理解与定位研究建立开放数据集和研究基准。
基于深度卷积神经网络的 ImageNet 分类
ImageNet Classification with Deep Convolutional Neural Networks
深度卷积网络将数据、GPU 计算与表示学习结合，为现代视觉研究提供了重要起点。
研究该主题的机构
括号内是该机构在本索引中带此主题的记录数。