「视频字幕处理」共找到 1875 篇相关文章
波士顿动力机器人终于有脑子了！人类故意使绊子也不怕
波士顿动力与丰田研究院联手基于大型行为模型，推出Atlas全新版本Atlas MTS。它能听懂自然语言指令、自主规划动作、处理意外。此次升级采用特定模型及策略，还结合VR界面。此外，波士顿动力转向电驱，电驱机器人时代将来临。
Claude Opus 4.7 配 Lovart：全套品牌设计只需点击 2 次，设计师可能不太需要了
Anthropic发布Claude Opus 4.7，作者用其搭配Lovart为公益项目「国宝回家」做品牌设计。Lovart上线新功能打通设计链路，Opus 4.7感知能力提升。二者配合完成海报、字体、视频等，虽有细节待完善，但已跑通工程化链路。
字节全球首发AI技能商店：一句话生成Coze Skills，你的经验直接卖钱
在全球AI共识下，Agent Skill成新战场。字节扣子此次升级，推出Skill、长期任务，还全球首上线技能商店。Coze Skill可封装经验，长期任务能拆解目标，技能商店能让经验变现。此外还推出视频Agent SKill。
马斯克：AI 时代，别这样开会了
马斯克建议取消无价值的大型会议，而当下很多团队开会方式还停留在上个世纪。作者用超级麦吉处理马斯克3小时音频，它表现出色，还具备多种实用功能，与飞书妙记有本质区别，AI或让会议不必要。
苹果M5「夜袭」高通英特尔！AI算力狂飙400%，Pro三剑客火速上新
苹果悄无声息更新官网，三款核心产品14寸MacBook Pro、iPad Pro以及Vision Pro换上全新M5芯片。M5芯片性能提升显著，AI能力连翻数倍，加量不加价，在AI、图形处理等多方面有重大升级。
面壁MiniCPM-SALA模型，稀疏-线性注意力，单卡吞吐百万上下文
面壁智能团队提出SALA，基于此训练的MiniCPM-SALA模型，在单张A6000显卡实现百万token超长上下文推理，训练成本降约75%。它结合稀疏与线性注意力，采用混合架构，继承权重降低成本，在长文本处理上优势明显。
高效大规模创新3D重建模型iLRM
多数基于Transformer架构的模型处理多视图输入有可扩展性问题，成均馆大学、延世大学研究人员提出创新3D重建模型iLRM。它通过迭代细化机制生成3D高斯表示，有独特架构设计和高效注意力机制。
最大开源第一视角数据集 EgoLive 来了，名校站台、近百家机构争相申请
今年4月京东开源业界最大人类第一视角数据集EgoLive，已获近百家机构申请。它用自研设备采集，经多模态处理，覆盖多场景任务。其数据用于JoyAI - RA训练，在真实场景验证效果好，还推动具身智能数据标准化。
ChatGPT Images 2.0震撼发布！碾压谷歌Nano Banana，设计真要完了
北京时间凌晨3点，OpenAI发布ChatGPT Images 2.0，是先进模型，能处理复杂视觉任务。它精度控制力高、多语言能力强，风格表达成熟，支持多种宽高比，有现实世界理解能力等，已向相关用户开放，但也有局限性。
又上Trending，这个项目赋予AI灵性，可以和你一起玩游戏看电视！
项目 AIRI 可让用户轻松拥有数字生命。与其他项目不同，它支持多种 Web 技术，能在现代浏览器和设备运行，还能玩游戏、看视频。目前已完成部分基础功能，支持众多 LLM API 服务，还衍生出多个子项目。