PANews 28 de abril, en el Foro de Pioneros de Inteligencia Artificial del Futuro de Zhongguancun, Shengshu Technology y la Universidad de Tsinghua lanzaron oficialmente el primer gran modelo de video de China de larga duración, alta consistencia y alta dinámica: Vidu, que se considera por los medios y expertos de la industria como el primer modelo de video de nivel Sora en China. El modelo utiliza la arquitectura U-ViT, que combina las técnicas de Difusión y Transformador desarrolladas por el equipo, y admite la generación de contenido de video de alta definición de hasta 16 segundos de duración y resolución de 1080P con un solo clic.

金十数据4月27日讯，在中关村论坛未来人工智能先锋论坛上，生数科技联合清华大学正式发布中国首个长时长、高一致性、高动态性视频大模型——Vidu。该模型采用团队原创的Diffusion与Transformer融合的架构U-ViT，支持一键生成长达16秒、分辨率达1080P的高清视频内容。

Según un informe de Financial Associated Press del 2 de agosto, Google DeepMind lanzó recientemente Robotic Transformer 2 (RT-2), que es un nuevo modelo de acción de lenguaje visual (VLA). Según el último informe de investigación de Guosheng Securities, RT-2 ha verificado aún más la solución robótica de "ViT + GPT como + maquinaria". El GPT multimodal ayudará al progreso de la tecnología de software de robots y acelerará el progreso de la industria de los robots. . La agencia predice que dentro de 1 a 5 años a partir de la segunda mitad del año, con el desarrollo de GPT que traerá consigo la mejora de las capacidades de generalización de IA, la visión general, los manipuladores generales, los robots de manejo de logística general, los robots de servicios industriales y los hogares inteligentes reales. entrará en la vida. . En 5 a 10 años, se espera que los modelos grandes combinados con soluciones multimodales complejas tengan una capacidad completa para interactuar con el mundo y se apliquen en robótica general, realidad virtual y otros campos.