「音视频实时交互模型」共找到 1736 篇相关文章
让机器人「摸到」世界，复旦系新智具身完成近亿元天使轮融资
触觉具身智能成机器人与物理世界交互关键。新智具身获近亿元天使轮融资，背靠产学研融合与政策支持。其打造视触觉传感器等核心能力体系，解决触觉数据采集与模型融入难题，已切入工业场景。
大模型听懂语音却反而变笨？港中深与微软联合解决语音大模型降智问题
从GPT - 4o开启全能交互时代后，Speech LLM面临“模态推理鸿沟”问题，输入从文本变语音，推理能力显著衰退。港中深与微软联合提出TARS框架，通过三项创新解决此问题，实验显示推理能力100%复原。
横扫海外的阿里大模型，有自己的APP了，叫“千问”
11月17日，阿里巴巴上线“千问App”，将Qwen系列模型装进面向C端用户的独立App。它设计极简，功能强大，免费使用。主模型为Qwen3，问答结构化，多模态交互方便，还有翻译等特色功能，背后是强大的Qwen模型生态。
专访丨华人大三学生创业教育 Agent，获赵长鹏 1100 万美元种子轮
硅谷华人大三学生创立的教育类 AI 产品 VideoTutor 完成 1100 万美元种子轮融资，由赵长鹏家办 VC 领投。这是面向 K12 学生的 AI 教育 Agent，能一键生成专属教学视频。文中还探讨了其功能、优势及团队发展规划。
太逼真！豆包·播客模型来了：一句话生成「苏超联赛」播客，很懂13太保的梗
火山引擎发布豆包·播客模型，生成的AI对话语气、停顿等像真人。操作简单，生成快且有字幕。能处理多种类型内容，如热搜话题、苏超联赛、超长文本等。其基于端到端实时语音模型，有技术突破。
10万字Claude系统提示词泄露！我用DeeSeek 将它翻译成了中文版
Claude完整系统提示在GitHub泄露，虽真假未确认，但值得分享供参考。作者用DeepSeek将其翻译成中文版，该提示涵盖模型行为、工具使用等多方面，设计精妙全面，是AI交互设计“百科全书”，对提示词工程师极具学习价值。
拓宽百年奥运「赛场边界」，阿里云AI让人人皆可上场
阿里云作为2026年米兰冬奥会官方云服务合作伙伴，联合发起全球AIGC大赛，用万相大模型生成冬奥视频参赛。万相Wan2.6性能出色，在画质、叙事等方面表现成熟，让普通人也能在奥运体验中当主角。
浪费20亿Token之后，我做了一个帮自己定义目标的Skill。
作者在浪费20亿Token后，开源了帮定义目标的Leader.skill。它能将模糊需求转为清晰目标，适用于多模型组合。还阐述人类与Agent交互范式转变及目标定义要点，给出目标七问方法论。
全靠Claude Code 10天赶工上线，Cowork 删用户11G文件不含糊！核心研发：长时间打磨再发布很难成功
Anthropic发布的Claude Cowork研究预览版问题频出，如删用户文件、窃取文件。与Claude Code对比，它交互繁琐、效率滞后。不过核心研发称快速上线再迭代，未来Agent类应用界面会趋简，Skills是关键。
谷歌最新 Gemini Agent 爆击GPT-5.2？人类最后考试得分见分晓！网友：Altman又该发“红色警报”了
在全球人工智能竞争升温之际，谷歌与 OpenAI 同日更新。谷歌推出全新 Gemini Deep Research 工具，能力提升显著，还开源基准、推交互 API；OpenAI 发布 GPT - 5.2。两者竞争激烈，差距微小，都在争夺智能体框架标准主导权。