搜索：音视频实时交互模型

「音视频实时交互模型」共找到 1736 篇相关文章

WaveSpeedAI 成泽毅：AI Infra 本来就是一门能挣钱的生意

WaveSpeedAI成泽毅本在大厂做Infra，后创业。他先在社区验证技术价值，创业首日就定全球化策略。WaveSpeedAI团队小而灵活，用利他思维合作，在视频生成领域降成本，验证了推理基建有市场。

华为诺亚方舟实验室提出 Pangu DeepDiver 模型，实现 LLM 搜索引擎自主交互新范式。它用真实互联网数据训练，在 WebPuzzle 等基准测试中，7B 的 DeepDiver 媲美 671B DeepSeek - R1，展现强大信息获取与泛化能力。

Artificial Analysis发布2025年Q3 AI现状报告，揭示五大关键趋势，如推理模型占智能榜单前十、智能体能力突破、开源模型发布创新高、图像视频技术主流化、原生语音模型达生产级，还将举办简报会。

作者从用户体验设计师和公司创始人视角，探讨AI时代软件的变革。人人能造软件，成本降低；软件从资产变耗材；Agent填平人机交互鸿沟，产品形态转向Skills；用户可能不再是人；中间层正消亡。

今天，OpenAI官宣ChatGPT的MCP功能上线，仅Plus和Pro用户可用。MCP可让AI模型等标准化交互，使ChatGPT自动化程度大幅提高。官方Demo展示其强大潜力，网友态度积极，但功能仍有改进空间。

Loopit被称为‘AI编程版的抖音’，用户说句话就能做互动内容，如解谜游戏等。它让编程像拍视频一样成消费品，有创作和社区，结合抖音轻量与游戏互动感，粘性更高。

GitHub开源项目Memvid，能用MP4视频文件替代昂贵的向量数据库，检索达亚秒级。它把文本编码成视频，用配套JSON索引记录位置，结合sentence-transformers和FAISS实现语义搜索，存储和检索性能出色。

北大、港中文等团队提出原生3D编辑框架VGGT-Edit，不再绕回2D，直接在3D空间编辑。它采用残差场预测等机制，在DeltaScene测试集表现出色，单次编辑约5秒，最高120倍加速。

Google DeepMind发布Flash - Lite Browser，能用Gemini 3.1 Flash - Lite实时生成网站。它表明GUI连预先设计都不需要，界面正发生三层分化，虽有不足，但展现界面从预制到即时生成的趋势。

现有强化学习算法基于理想化交互模式，难应对真实环境。Mila 实验室两篇 ICLR 2025 论文提出实时强化学习框架，分别解决推理延迟和动作缺失问题，还可结合使用，对关键领域意义重大。