MiniMax推出的V-Triune框架实现了视觉推理与感知任务的统一学习，显著提升了性能。该框架通过动态奖励机制和样本级数据格式化，克服了传统强化学习方法的局限性。Orsta模型在基准测试中表现优异，验证了该方法的有效性。

本研究提出DrivePhysica模型，旨在解决自动驾驶中的高质量多视角视频生成问题。通过三个创新模块，显著提升了视频质量和感知任务的表现。

本研究分析了大型语言和视觉模型在基础感知任务中的不足，尽管在高级推理任务中表现良好。通过评估多个模型家族，揭示其内部处理机制、数学推理能力及跨模态对齐问题，并提出改进建议和未来评估基准的发展方向。

本研究综述了自动驾驶车辆感知任务的大规模基准数据集的最新发展，包括车辆对基础设施、车辆对车辆和车辆对一切的协作感知数据集。分析了数据集的多样性、传感器设置、质量、公开可用性和适用性，并强调了解决隐私和安全问题的重要性。需要全面、全球可访问的数据集以及协作努力来克服挑战，发挥自动驾驶的潜力。

本文介绍了一种基于学习的方法，将雷达和相机融合在感知任务中，通过充分利用两种传感器的优势。通过引入新的鲁棒回归损失来解决稀疏目标的挑战，并采用多任务训练策略强调重要特征。与最先进的方法相比，雷达的平均绝对高度误差显著降低。集成这些精细的雷达信息进一步提升了现有雷达相机融合模型在物体检测和深度估计任务中的性能。

该文介绍了一种无监督对象定位方法，利用自我监督预训练特征，在图像中发现对象而无需手动注释。该方法能够在开放式视觉系统中进行感知任务，对于不知道数据集中包含哪些对象的情况下，能够发现对象。