「音视频实时交互模型」共找到 1736 篇相关文章
具身导航，感知推理到底是「上帝」，还是执行控制是「命门」？| GAIR Live 023
本文是GAIR Live 023圆桌对话实录，浙江大学彭思达与具身多模态算法专家郝孝帅探讨具身导航。涉及本质、范式、挑战、交互等方面，还对未来5 - 10年发展做了展望。
骨灰级克隆网站设计的开源项目
现在克隆网站设计常停留在截图和吸色，难以完全还原。designlang 项目用无头浏览器打开 URL，从实时 DOM 读取设计系统，输出多个文件，还能做到布局模式等其他提取器做不到的事。
千元手机也能离线爽跑谷歌Gemma 4，太酷了！
谷歌推出开源APP `Google AI Edge Gallery`，可在手机离线运行开源大模型，如Gemma 4。它数据不出本地，玩法多，支持中文交互。虽有局限，但已超模型演示范畴，展示AI本地智能趋势。
PolarDB AI助手：自然语言驱动的智能数据库运维新范式
企业数据库运维复杂度高，专业人才稀缺成瓶颈。阿里云PolarDB推出AI助手，基于大语言模型与专家知识库，有智能问答等核心能力，以自然语言交互降低使用门槛，提升运维效率与系统稳定性。
如何“驯服”你的Agent？这可能是你见过最优雅与可控的Agent框架 | 深度体验
文章聚焦对话式Agent，指出LLM不确定性是企业应用Agent的障碍。介绍Parlant框架，它用ABM方法控制交互，能降低LLM负担、处理边缘场景。还通过构建10086客服助手展示其使用，最后与LangGraph对比。
让机器人学会系统2慢思考，叠衣服倒咖啡等不在话下 | 上海交大&智元机器人
上海交通大学与智元机器人等团队推出Hume——融合系统2慢思考的双系统VLA模型。它结合深度推理与实时控制，在多种机器人平台实验中表现出色，平均成功率达91%，显著超越现有模型。
全网挤爆Seedance 2.5，但2.0 fast降到6毛是真的香！
近期AI视频赛道竞争激烈，FLUX 3登场，国内巨头也纷纷推出新模型。字节Seedance 2.5优势明显，但适用特定场景。Seedance 2.0 fast降至6毛每秒，经多场景实测，表现均衡，是性价比之选。
从VLA到RoboOmni，全模态具身新范式让机器人察言观色、听懂话外音
复旦大学等联合推出全模态端到端操作大模型RoboOmni，统一多模态，实现动作与语音协同控制。它重新定义机器人交互范式，让机器人具备“察言观色”能力，还构建了OmniAction数据集，实验表现全面领先。
这一年做 Agent 的公司，Coding 赚了钱，客服融了钱，你呢？
全球数据研究机构 CB Insights《AI Agent Bible》报告梳理 Agent 行业概况。指出未来趋势，如语音成主流交互等；分析发展受限问题、有潜力机会；还介绍不同类型 Agent 商业情况及应对推理成本策略等。
黄仁勋祭出DLSS 5！AI画质追平好莱坞，国产游戏抢占全球C位
NVIDIA GTC 2026大会上，黄仁勋推出DLSS 5，称这是图形领域的「GPT时刻」。它解决了让游戏画面逼近好莱坞电影级视觉效果的难题，靠实时神经网络渲染注入写实光照与材质效果，首发游戏国产近半，今年秋季推出。