「长视频理解」共找到 2143 篇相关文章
打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力
如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。
一个能思考、会记忆的AI导演诞生了！新加坡管理大学，香港中文大学等实现故事化视频生成
新加坡管理大学等提出开源全能多智能体框架UniVA，可统一视频理解、分割等能力，按指令生成完整故事视频。还引入UniVA - Bench基准测试套件，实验显示其在多任务中表现出色，代表视频智能生成重要进步。
单卡2秒生成一个视频！清华联手生数开源TurboDiffusion，视频DeepSeek时刻来了
清华大学TSAIL实验室和生数科技联合开源视频生成加速新框架TurboDiffusion，能让视频生成在保证质量下最高提速200多倍，单张显卡就能运行，还整合四项关键技术，有诸多应用意义。
Sora 模糊视频有救了！强大的免费开源AI视频处理工具！硬件要求低！
Video2X-QT6是免费开源AI视频处理工具，支持视频超清放大、补帧，兼容CPU和GPU，低配置电脑也能用。6.0.0版本用C/C++重写，速度快、跨平台，还能处理图片。介绍了不同系统安装方法等。
10个视频9个看走眼：连真视频都打Sora水印碰瓷，这世界还能信啥？
互联网充斥AI造假视频，真假难辨，造成诸多困扰。虽有部门要求打水印，OpenAI也如此，但有人给真视频打Sora水印。现有AI检测工具各有局限，检测技术发展任重道远。
还在为拍视频头疼？AI 一键生成短视频，这工具也太香了吧！
文章介绍开源工具 Pixelle-Video，它能让视频创作变得简单。输入主题，它可自动撰写文案、生成配图、合成语音、添加音乐并合成视频，还支持多种功能和大模型，有多种使用和付费方案。
阿里开源长文本深度思考模型！渐进式强化学习破解长文本训练难题，登HuggingFace热榜
阿里开源长文本深度思考模型QwenLong - L1，登上HuggingFace热门论文第二。它解决了长文本强化学习训练难题，通过渐进式上下文扩展训练，在多基准测试中表现出色，还探讨了SFT和RL作用。
视频理解新标杆，快手多模态推理模型开源：128k上下文+0.1秒级视频定位+跨模态推理
快手开源能看懂视频并跨模态推理的大模型Keye-VL 1.5，其有时序定位、描述和推理能力，跑分领先。采用三段式架构和Slow-Fast编码策略，经四阶段预训练和多阶段后处理，团队成果多，推动多模态技术落地。
别再傻傻做视频啦！！！52.1k Star Remotion，把 React 组件变成视频生产线，强到离谱～～
Remotion是用React程序化创建视频的开源项目，可把视频元素写成组件按时间线组合后渲染。它适合有批量生产需求者，不过做真人vlog等传统剪辑软件更顺手，且使用有license限制。
Labubu换装记！让视频换装变得如此简单！基于扩散Transformer的视频虚拟试衣新突破
今天介绍开源项目MagicTryOn，它是基于大规模视频扩散Transformer的视频虚拟试衣框架，能实现高质量视频换装。采用三项关键技术创新，支持图像、视频试衣及定制化方案，目前仍在积极开发。