「3D场景理解」共找到 4192 篇相关文章
小红书最新开源TTS力作！4人对话自然无缝，毫秒极速响应！
近年来TTS技术爆发，但多人对话的自然流畅性和长序列稳定性一直是难点。小红书团队开源的FireRedTTS - 2是面向多人对话场景的TTS模型，实现自然切换和低延迟，支持多语言，适用于多种场景。
如何做到在手机上实时跑3D真人数字人？MNN-TaoAvatar开源了！
阿里巴巴淘宝Meta技术团队研发的TaoAvatar技术，能在手机或XR设备实现3D数字人实时渲染与AI对话。今日开源MNN - TaoAvatar应用，可在手机运行，对比主流方案更高效便捷，还介绍其优势、技术及使用说明。
北大腾讯突破奖励模型瓶颈！让AI理解人类偏好，泛化能力比肩GPT-4.1
北京大学知识计算实验室联合腾讯等机构提出RewardAnything，突破奖励模型瓶颈。它让奖励模型理解自然语言评判原则，降低成本，泛化能力比肩GPT - 4.1，还能用于定制AI行为模式。
一键抠图有多强？19Kstar 的 Rembg 开源神器，5 大实用场景颠覆想象！
在视觉内容需求旺盛的当下，背景抠图工具至关重要。Rembg 是能在本地完成高质量图片背景抠图的开源利器，累积 19.1K ⭐。本文通过项目详解等带你深度了解它的魅力。
当Gemini 3刷屏时，这款AI已开始救命了：原子级攻克「不可成药」靶点
全网关注Gemini 3时，Chai-2已开启生物学界「AlphaFold时刻」。它能原子级精准设计出可进临床的抗体药，攻克「不可成药」靶点，让很多难治疾病看到新药希望，AI造药开始起飞。
ICML 2025 | 千倍长度泛化！蚂蚁新注意力机制GCA实现16M长上下文精准理解
在大语言模型发展中，长文本建模挑战大。蚂蚁研究团队提出注意力机制GCA，可端到端学习检索相关片段，实现超长序列处理与泛化，其Triton kernel实现已开源，论文被ICML 2025接收。
准确回答视频细节！11B模型挑战视频理解「证据级」任务，开源可商用
近日，复旦大学邱锡鹏教授领衔的OpenMOSS团队联合模思智能开源11B参数的多模态视觉理解模型MOSS-VL。它能准确回答视频里可被验证的细节、时间、过程和空间关系，有六项证据级能力，架构设计独特，采用Apache2.0开源许可。
谷歌机器人大脑又进化了。成功率飙3倍，还能看表干活、保护自己
Google DeepMind发布机器人大脑Gemini Robotics ER 1.6模型，提升机器人空间感知、多视角解析与仪表读取准度，具精准指认、读表能力，还提高操作安全性与合规度，开发者可通过Gemini API等使用。
少量视角也能得到完整3D几何，即插即用的语义增强重建插件来了
现有神经隐式路线在样本稀疏时有跨视角对应不稳等问题。上海交通大学等团队提出SERES，将跨视角语义一致性作先验注入模型，以低成本解决歧义问题，在多场景提升重建质量。
社交Agent: 通过RL学习自适应Thinking，根据场景在“秒回”和“深思”间灵活切换
现有聊天机器人在人情世故场景表现不佳，论文指出大模型思维‘一根筋’。研究团队设计4种思维模式，用AMPO强化学习算法动态切换。在模拟社交任务中，AMPO表现超GPT - 4，省时高效。