Map2World：基于分割图的文本驱动3D世界生成
深度2026年5月6日33 分钟阅读
本文提出了一种能根据用户自定义分割图生成任意形状和尺度3D世界的方法，解决了以往方法中物体尺度不一致和布局受限的问题。对于从事3D内容创作、自动驾驶仿真以及VR/AR应用的研究者和开发者来说，这是一项值得关注的工作。
本文编译自 Map2World: Segment Map Conditioned Text to 3D World Generation，版权归原作者所有。
觉得有用？分享给更多人
相关文章
微软和 Hugging Face 联合发布 ThinkingBox-Training，将 ThinkingBox-Bench 中可执行检查返回的 0/1 结果作为奖励信号，用于训练其他任务上的 Agent。他们提出离线策略相对难度来选择训练任务，并用 GRPO 对 Qwen3.8-27B 进行微调。结果显示，模型在重复性任务上的成功率大幅提升，但至少成功一次的覆盖率略有下降。
深度Hugging Face·10月22日·8 分钟
OpenAI 正式向所有客户开放 Decisions API，该 API 基于 ChatGPT Luna 重新配置，专注于快速、低成本的决策任务。与 TypeSafe 的 Jev 模型相比，OpenAI 的模型在基准测试中排名靠后，但在多模态和全球延迟优化上有优势。早期客户如 Box、Datadog、Ramp 和 Speak 已用其替换 LLM 以提升吞吐量。
深度·10月22日·4 分钟