「音视频同步」共找到 1104 篇相关文章
超越英伟达Describe Anything！中科院 & 字节联合提出「GAR」，为DeepSeek-OCR添砖加瓦
中科院与字节联合提出「GAR」，为构建自然图像的Dense Caption提供新思路。GAR具备精准描述、关系建模和组合推理能力，通过引入新组件，兼顾细粒度与全局上下文，在多测试集表现优异，且代码等已开源。
灵巧手能帮女友拧瓶盖了！同济清华上海交大等新成果 | CoRL 2025
来自多高校研究团队提出KineDex框架，以真·手把手指导方式让人类动作传至灵巧手，同步采集高保真触觉信息，使星动纪元灵巧手星动XHAND 1解锁复杂精细操作，论文已被CoRL 2025接收。
知名机器人专家喊话：投人形机器人初创公司的数十亿美元，正在打水漂
知名机器人专家罗德尼・布鲁克斯质疑特斯拉、Figure等公司技术路线，称让机器人看人类视频学操作是‘空想’。他指出触觉数据无技术积累、安全有隐患，预测成功‘人形’机器人未来将大不同，投资难量产。
Sora 2数手指翻车，奥特曼成第一批「受害者」，被AI玩成最惨打工人
Sora 2虽强大，但数手指测试翻车，模拟场景也有瑕疵。奥特曼成其首批“受害者”，AI生成视频将他玩坏。同时，OpenAI研究员对Sora应用发布存担忧，而奥特曼解释资金投入原因。
你们催更的模型，云栖大会一口气全发了！
云栖大会上新6款模型、发布1个全新品牌，覆盖多场景。如Qwen MAX万亿参数大模型能力登顶国际榜单，Qwen3 - Omni实现全模态不降智等，各模型能力升级显著，现已同步上线。
Ultralytics & lightly-train：简化计算机视觉模型训练，无需标签
在计算机视觉领域，获取带标签数据成本高、耗时长。开源项目 lightly-train 用未标记图像和视频自监督预训练，减少标注成本与时间，可集成到现有训练管道，支持多种模型架构和应用场景。
“导演梦”不再遥远：Captain Cinema 让你用短片制作出电影
约翰·霍普金斯大学与字节Seed团队推出自动生成短片的Captain Cinema系统。它以剧情文字为输入，先规划关键帧，再补全画面动态合成短片。采用特殊训练法和模型，虽有局限，但为电影自动生成迈关键一步。
无损加速视觉语言模型推理！轻松剪掉视觉冗余Token｜腾讯AI Lab
多图像、长视频让大型视觉语言模型推理成本暴涨，成算力瓶颈。腾讯AI Lab联合CMU提出VScan，通过两阶段视觉token筛选机制，在几乎不损性能的前提下实现推理加速，且已在GitHub开源。
从高考到实战，豆包大模型交卷了
火山引擎原动力大会 Force 2025 发布豆包大模型 1.6 等多项新产品。豆包 1.6 性能提升，在多方面表现出色；Seedance 1.0 Pro 视频生成能力强。大会强调‘AI 云原生’，还推出多个套件和技术进展。
Gemini 3.8，明日登场！
最新爆料，Gemini 3.8 Flash明日登场，谷歌已放弃Gemini 3.5 Pro。其编程实力强悍，之前还为Gemini植入智能体视频理解功能，降本提效，可应对多种高难度场景。近期多家AI发布计划撞车，混战升级。