多模态大模型发展趋势 - 多模态大模型正迅速接近关键转折点，是大语言模型（LLM）演进的必然趋势 [1][5][6] - 原生多模态架构（MLLM）因全模态同步训练在性能、延时、部署上优势显著，但算力要求严苛，OpenAI和Google处于领先地位 [1][6] - 技术迭代推动图像生成转向易用性，视频生成在时长、清晰度、一致性持续突破，语音、音乐、3D领域同步拓展 [2][4] 商业化进展 - 全球商业化呈现三大趋势：海外快于国内、一级市场公司快于二级市场、多模态产品快于文本产品 [1][7] - 海外Chatbot类产品（如OpenAI、Anthropic）年化收入（ARR）超10亿美元，国内Chatbot商业化仍较初期 [1][7] - 国内年收入超1亿美元的AI公司（美图、快手、睿琪软件）均聚焦多模态产品 [1][7] 视频生成赛道表现 - 国内厂商在视频生成赛道全球化与商业化最成熟，字节Seedance 1.0、快手可灵（Kling）、MiniMax Hailuo 02位列全球榜单前列 [8] - 快手可灵上线10个月ARR突破1亿美元，标志国内视频生成从单点突破进入多点突破阶段 [2][8] 投资机会 - 算力侧：原生多模态模型及视频推理需求激增，视频Agent落地进一步催生算力需求 [9] - 应用侧：广告、零售、创作等领域AI化需求释放，国内视频生成模型领先 [9] - 推荐标的包括国产算力链（沪电股份、生益科技）及应用产业链（微软、奥多比、金山办公等） [9][14] 行业共识与未来方向 - 多模态大模型将成为行业核心发展方向，融合图像、视频、语音数据以拓宽AI应用场景 [4][15] - 原生多模态架构主流化及一级市场公司进展需重点关注，与市场认知存在差异 [5][7]

端到端自动驾驶技术概述 - 端到端自动驾驶分为一段式端到端和二段式端到端两大技术方向 是当前薪资最高的算法岗位之一 3-5年经验可达百万年薪 [2] - 端到端系统实现从传感器输入到车辆规划/控制信息的直接建模 避免模块化方法间的误差累积 BEV感知打通模块化壁垒 UniAD统一感知和规划任务 [2] - 学术界和工业界聚焦端到端技术 衍生出多种算法流派 UniAD并非最终解 新算法不断涌现 [2] 端到端技术发展现状 - 技术方向包括多模态大模型 BEV感知 强化学习 视觉Transformer 扩散模型等 学习路径复杂 论文数量繁多 知识碎片化 [4] - 高质量文档缺乏 提高入门难度 学习目标驱动导航需结合实战 但缺乏系统指导 难以从理论过渡到实践 [4] - 最新技术流派包括：PLUTO为代表的二段式端到端 UniAD为代表的基于感知的一段式端到端 OccWorld为代表的基于世界模型的一段式端到端 DiffusionDrive为代表的基于扩散模型的一段式端到端 [9] 端到端课程体系 - 课程特点：直击痛点快速入门 构建领域框架提升研究能力 理论结合实践学以致用 [5][6][7] - 课程大纲：端到端算法介绍 背景知识 二段式端到端 一段式端到端与VLA 课程大作业 [11][12][13][15] - 重点章节：一段式端到端与VLA为课程精华 涵盖基于感知/世界模型/扩散模型/VLA的四大子领域 [13] 技术深度解析 - 二段式端到端：分析PLUTO CarPlanner Plan-R1等经典与前沿工作 对比一段式优缺点 [12] - 一段式端到端：UniAD和VAD为奠基作 PARA-Drive为最新进展 世界模型应用广泛 扩散模型实现多模轨迹预测 VLA为当前技术皇冠 [13] - 关键技术：Transformer CLIP LLAVA BEV感知 扩散模型 RLHF GRPO等构成完整技术栈 [14] 课程实施细节 - 开课时间8月15日 三个月完成 采用离线视频教学+VIP群答疑+三次线上答疑模式 [20] - 学员需自备4090及以上GPU 具备自动驾驶基础 熟悉Transformer 强化学习 BEV感知等技术概念 [22] - 预期成果：达到1年经验算法工程师水平 掌握端到端技术框架 可复现主流算法 应用于实际项目 [22]

报告行业投资评级 - 推荐（维持），预期未来 3 - 6 个月内该行业指数涨幅超过基准指数 5%以上 [1][27] 报告的核心观点 - 博通管理层会议释放 AI 推理需求快速放量信号，或推动公司利润结构与产业产能重估，非 AI 业务现复苏迹象；xAI 发布 Grok 4 模型，性能达通用大模型前列水平；建议关注海外算力链景气度机遇及相关标的 [1][5][13] 根据相关目录分别进行总结 本周行情回顾（2025/7/7 - 2025/7/13） - 通信板块整体行情走势：本周通信行业（申万）涨 2.13%，跑赢沪深 300 指数 1.31 个百分点，跑输创业板指数 0.23 个百分点；今年以来涨 9.54%，跑赢沪深 300 指数 7.51 个百分点，跑赢创业板指数 6.48 个百分点；本周涨幅在所有一级行业中排第 11，全年涨幅排第 10 [6][7] - 个股表现：本周通信板块涨幅前五为三川智慧（+27.91%）、国源科技（+27.72%）、博创科技（+19.84%）、仕佳光子（+14.85%）、中新赛克（+12.46%）；跌幅前五为有方科技（-18.52%）、瑞斯康达（-13.48%）、旋极信息（-7.31%）、合众思壮（-5.09%）、润泽科技（-4.10%） [10] 博通管理层会议要点整理 - AI 推理需求显著超预期：近两月推理侧需求急剧上升，超现有产能，未计入 2027 年市场规模预测，预示盈利上修可能 [13] - 芯片开发：正与四个 AI 客户合作开发第一代定制 AI XPU 芯片，预计今年完成两个客户流片；推进 2nm、3.5D 封装的 AI XPU 芯片开发，预计今年完成流片 [13] - 网络产品：AI 推理负载对网络要求提高，公司网络产品营收占比持续提升，计算与网络设备支出比例约为 3:1；纵向扩展网络产品价值高于横向扩展网络 5 - 10 倍 [14] - 新技术：评估共封装光学（CPO）方案在数据中心落地路径，光学器件 5% - 8%的故障率可能制约其规模化部署 [14] - 非 AI 业务：非 AI 业务出现“U 型”复苏迹象，订单回暖或推动明年 EPS 积极修正；VMware 平台预计至 2026 - 2027 年年化收入达 200 亿美元，之后回归中高个位数增长 [14] Grok 4 发布 - 性能表现：在多项通用基准测试中刷新历史成绩，整体性能达当前通用大模型前列水平 [17] - 功能特点：支持多模态输入，具备实时接入 X 平台数据能力；新增 Eve 语音模型，实现自然语言生成与情绪表达，秒级响应；能在真实复杂任务中独立完成工作链条 [17] - 技术路线与定价：基于 Grok 3 训练，使用 10 倍规模强化学习策略；Grok 4 Heavy 版本实现多智能体架构；8 月将发布面向编程的模型，9 月上线多模态智能体架构，10 月推出视频生成模型；当前模型上下文长度为 256K，API 已开放；Super Grok 版本 30 美元/月，Grok 4 Heavy 版本 300 美元/月 [18] 投资建议 - 运营商：重点推荐中国移动、中国电信、中国联通 [21] - 光模块光器件光芯片：重点推荐新易盛、天孚通信、中际旭创，建议关注源杰科技、仕佳光子 [21] - 军工/卫星通信：重点推荐海格通信、上海瀚讯、七一二，建议关注臻镭科技、震有科技 [21] - 设备商：推荐共进股份，建议关注紫光股份、中兴通讯、锐捷网络 [21] - 光纤光缆：建议关注长飞光纤、亨通光电、中天科技 [21] - AIDC：推荐润泽科技，建议关注奥飞数据、光环新网、科华数据 [21] - 物联网模组：重点推荐广和通，建议关注美格智能 [21] - 控制器：重点推荐拓邦股份、和而泰 [21] - 算力芯片：重点推荐盛科通信 [21] - 射频器件：建议关注灿勤科技 [21]

招聘岗位概述 - 头部大型互联网具身实验室正在招聘具身多模态大模型、机器人多模态交互、强化学习等方向的研究员 岗位base北京 薪资open [1] 具身多模态大模型研究员 职位描述 - 主导具身智能大模型的核心算法研发 包括多模态感知（视觉、语言、动作）、强化学习策略优化、世界模型构建等方向 [1] - 研究传统仿真与生成式仿真相结合的数据合成方案 构建机器人及具身智能领域的新型数据范式 [1] - 跟踪学术界与工业界最新进展（如VLA、具身智能等） 保持技术领先性并推动团队技术迭代 [1] - 推动模型在机器人场景的落地 解决实际应用中的挑战 [1] 职位要求 - 计算机科学、人工智能、数学、机器人学等相关专业 博士学位优先 5年左右大模型相关工作经验 [2] - 熟悉机器人学、强化学习、多模态融合（VLA）等技术 具备学术敏感度与工程化思维 [2] - 对具身智能、通用机器人方向有浓厚兴趣 具备优秀的逻辑表达与跨团队沟通能力 [2] - 在顶会（CVPR、ICLR、ICRA等）发表过相关论文或主导过开源项目 [2] 机器人多模态交互算法研究员 职位描述 - 研究多模态智能体、多模态推理规划、流式音视频对话模型等前沿技术 推动机器人交互技术创新 [3] - 探索多模态大模型、强化学习算法、大模型Agent在机器人上的创新应用 参与研发下一代智能机器人系统 [3] 职位要求 - 硕士研究生及以上学历 具备优秀的代码能力、数据结构和基础算法功底 [4] - 在大模型、多模态、NLP、CV、强化学习等领域有一定研究基础或项目经验 [4] - 主导过相关重要项目或在顶会（CVPR、ACL、NeurIPS等）发表过论文者优先 [4] - 具备良好的沟通协作能力 能够与团队紧密合作推进项目 [4] 强化学习研究员 职位描述 - 探索多模态大模型、VLA等前沿技术方向 [5] - 推动世界模型、强化学习在具身智能的应用 参与研发下一代智能机器人 [5] 职位要求 - 计算机、自动化、电子等相关专业 [6] - 扎实的机器学习、深度学习、强化学习基础 [6] - 在具身智能、多模态、大模型等领域有研究基础或项目经验 在顶会发表过论文 [6] - 具备良好的沟通协作能力 能推进技术进步 [6] 加分项 - 动手能力和代码能力强 ACM、ICPC等比赛获奖者优先 [9] - 对机器人技术有浓厚兴趣 参加过机器人比赛者优先 [9] - 熟悉物理仿真和常见的虚拟仿真环境 [9]

具身智能技术交流群 - 该群专注于多模态大模型技术交流 包括视觉+语言(V+L) 视觉+语言+触觉(V+L+触觉)等方向 [1] - 目标人群为从事具身智能模型微调 部署 量化 轻量化等工作的研究人员 [1] - 提供微信交流群加入渠道 并设有严格的广告管理规则 [1] - 群满后可联系助理CLmovingup 需备注"具身大模型+入群"申请加入 [1] 技术研究方向 - 重点关注具身智能相关模型的优化与应用 包括模型微调 部署实施 量化处理 轻量化设计等 [1] - 交流内容涵盖多模态大模型的前沿技术 特别是视觉与语言 触觉等多感官融合领域 [1]

自动驾驶大模型技术发展 - 理想汽车是国内首个实现视觉语言大模型(VLM)上车的企业，在自动驾驶多模态大模型领域经验丰富[2] - 行业技术路线已明确向端到端+大模型方向发展，长安/小鹏等车企均已宣布大模型上车计划[4] - 自动驾驶大模型应用场景包括智能座舱、具身智能、数据挖掘和标注等领域，未来发展空间广阔[4] 大模型核心技术要点 - 通用大模型需横向对比开源SOTA模型，分析不同任务下的优劣势[4] - 微调技术涉及LoRA、Adapter、DPO等方法，是业务模型落地的关键[6][15] - 大模型存在幻觉问题，解决方案包括外挂知识库、微调和强化学习等技术[6] - 私有数据集构建和prompt模板设计是业务模型的核心竞争力[4] 自动驾驶大模型课程体系 - 课程涵盖多模态大模型基础概念、架构、训练范式和公开数据集[9] - 重点讲解模态编码器、Input/Output Projector、LLM Backbone等核心模块[11] - 覆盖图文理解、视频理解、任意模态等5种通用多模态大模型算法[11] - 包含DriveVLM等5个最具代表性的自动驾驶端到端大模型算法[17] - 提供行业就业指导，分析公司需求和技术瓶颈等实际问题[19] 行业人才需求 - 企业面试重点关注候选人对开源模型的对比分析能力[4] - 实际项目经验(如RAG系统)和私有数据集构建经历是重要考察点[4][6] - 需要掌握从算法设计到工程化落地的全流程能力[22] - 高校学生、技术人员和转行人员是该领域主要人才来源[26]

业务合伙人招募 - 公司计划向国内外招募10名优秀合伙人负责自动驾驶相关业务开发[2] - 主要业务方向包括课程研发、论文辅导和硬件研发[2] 技术方向需求 - 重点招募领域涵盖大模型/多模态大模型、扩散模型、VLA等前沿技术方向[3] - 涉及端到端自动驾驶、具身交互、联合预测等关键技术[3] - 包含SLAM、3D目标检测、世界模型等感知技术[3] - 关注闭环仿真3DGS、大模型部署与量化感知推理等应用方向[3] 人才要求 - 候选人需具备QS200以内高校硕士及以上学历[4] - 拥有顶会论文发表经历者优先考虑[4] 合作待遇 - 提供自动驾驶领域资源共享包括求职、读博、留学推荐等[5] - 设置丰厚现金激励机制[5] - 可获得创业项目合作与推荐机会[5]

多模态大模型视觉推理能力评测 - 清华大学团队开发EscapeCraft 3D密室逃脱环境，用于评估多模态大模型在复杂视觉任务中的推理能力，该论文入选ICCV 2025 [2][3][4] - 环境支持自由配置难度等级，通过调整道具链长度、线索位置（如从出口附近移至远处）测试模型适应性，GPT-4o在线索位置变化后表现显著下降 [6][7][8] - 评测聚焦模型探索决策过程，包括道具获取、视角调整、意图一致性等，而非仅关注最终结果 [16] EscapeCraft环境设计特点 - 环境灵感源自密室逃脱游戏，支持自动生成3D场景，模型需完成找钥匙、解密码等多步骤任务，整合视觉、空间、逻辑信息 [4] - 任务设计高度灵活，可扩展至问答、逻辑推理等方向，为智能体、强化学习研究提供基础平台 [5] - 创新指标包括意图-结果一致性（Intent-Outcome Consistency）、道具获取率（Prop Gain）等，量化模型交互质量与推理效率 [17] 主流模型表现对比 - GPT-4o综合表现最佳，平均逃脱成功率（ER）达81.36%，但在高难度任务中仅26.5%子目标为理解后完成，多数为偶然成功 [17][19][21] - 国产模型Doubao 1.5 Pro在简单关卡中逃脱成功率（91.91%）超越Gemini 1.5 Pro（81.82%）和Claude 3.5（72.73%），交互成功率（Grab SR）达44.68% [19][21] - Gemini 1.5 Pro与Claude 3.5在相同逃脱成功率下行为差异显著：前者交互率高（0.44 vs 0.17）、步数少，后者交互成功率更高但步数多 [21] 模型失败案例与错误类型 - 常见错误包括误判可交互物体（如试图抓取沙发）、视角控制失败（关键道具移出视野）等 [18] - 错误分类显示Claude 3.5的61.1%为推理逻辑错误（目标设定或动作意图不符），38.9%为视觉感知错误 [18] - 多房间设定下模型学习能力有限，仅当房间结构相似时经验可复用 [22] 研究价值与行业应用 - 弥补传统以结果为导向的评估缺陷，强调中间推理过程，推动多模态模型向"类人推理"发展 [16] - 开源环境与数据可支持智能体、强化学习等领域研究，项目已发布GitHub与论文 [22] - 评测揭示当前模型局限：即使视觉输入正确，仍可能因逻辑缺陷失败，体现"看到≠想清"的行业挑战 [18][21]

IPO计划 - 公司考虑将IPO地点由内地改为香港 可能筹集约3亿美元(约23 4亿港元) 相关事宜仍在考虑中 尚未做出最终决定 [1] - 公司最终也可能选择在内地上市 [1] 战略投资 - 上市辅导前夕 公司密集收获多地国资战略投资 包括浦东创投集团和张江集团总额10亿元的投资 [1] - 上海仪电 浦发集团 公司三方将携手在浦东建设人工智能新型基础设施 [1] - 3月3日 公司完成超过10亿元战略融资 参与者包括杭州城投产业基金及上城资本 [2] - 3月12日 珠海华发集团战略投资公司5亿元 [2] - 3月19日 成都高新区宣布战略投资公司3亿元 [2] 产品与技术 - 公司发布并开源视觉语言大模型GLM-4 1V-Thinking 支持图像 视频 文档等多模态输入 专为复杂认知任务设计 [1] - 公司推出全新生态平台"Agent应用空间" 并开启"Agents开拓者计划" 投入数亿资金扶持AI Agents创业团队 [1]

人工智能发展趋势 - 人工智能已从理论设想发展为变革世界的核心力量，驱动产业升级、革新用户体验、重构人机协同[1] - 2024年生成式AI实现深化融合与爆发式应用，多模态大模型和具身智能等新范式拓宽AI能力边界[1] - 2025年人工智能将进一步突破认知极限，更深度助力千行百业并塑造科技未来[1] 2025世界人工智能大会腾讯论坛 - 论坛将于7月27日在上海举办，由腾讯华东总部、腾讯优图实验室等多家腾讯系机构联合支持[1] - 主题为"智能涌现"，聚焦AI技术与产业深度融合趋势，围绕大模型垂直落地、场景创新突破、生态共建协同三大议题[2] - 将系统展示腾讯在多元场景中的AI应用成果，体现"科技向善"的立体化实践[2] - 腾讯将分享Agent领域最新进展，与行业领军人物共话智能时代新机遇[2] 腾讯AI布局 - 腾讯通过优图实验室、Robotics X实验室等机构在AI领域进行多维度布局[1] - 公司在AI应用场景中已取得显著成果，涉及云智能、游戏、浏览器、输入法等多个产品线[1][2]