找到 3 筆；也可以試試 語意搜尋
輝達聯合 MIT 與牛津大學提出的 Physis-Lang，把物理原因、規律和結果寫進影片文字描述，並貫穿資料篩選、模型訓練與影片生成。其 Cosmos3-Super 與 Cosmos3-Nano 在 Physics-IQ Verified 榜單以 48.2 和 43.3 分列前二，Super 較此前最高分高出 5.5 個百分點。基於 Cosmos3-Nano 的版本在論文四項物理 benchmark 上取得開源最佳，三項總分超過 Veo 3.1。
三星 Samsung RX Lab-China 團隊提出 ε4P，把兩類不完美機器人示範資料分別限制在 flow matching 的不同噪聲區間參與訓練，三個真機任務的表現都超過了僅使用高精度資料，也遠好於直接混合訓練。ATX 聯結器插入成功率由 48.3% 升至 80.0%，兩階段線纜插接由 78.3% 升至 88.3%，螺栓螺母分揀由 81.7% 升至 91.7%；而直接混合訓練時，這三項分別降到 38.3%、33.3%、73.3%。
曼徹斯特大學 Digital Manufacturing Lab 提出相容性感知形態學習（Compatibility-Aware Morphology Learning）框架，把微結構間的邊界幾何相容性直接編碼進低維設計空間，使不同拓撲單胞能夠連續過渡，論文已被 CMAME 接收，程式碼與資料在 GitHub 開源。該框架還結合基於先驗的資料篩選，在進入昂貴多物理場最佳化前先篩掉聲學潛力不足的候選結構，並以力學—聲學協同設計作為驗證案例。