「文档到演示视频生成」共找到 1371 篇相关文章
机器人的“ChatGPT时刻”为何迟迟未来？
俄勒冈州立大学教授乔纳森和前 Google X 高管汉斯探讨机器人有无“ChatGPT 时刻”。指出机器人领域难现单一突破，需工程实践、工具配合和数据积累，还从多方面分析了面临的问题。
让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」
在文生图和视频生成领域，现有模型处理复杂任务常出错。港中文和美团团队提出TwiG范式，将视觉生成拆解为“生成-思考-再生成”循环，经实验验证有效，有望拓展到更多领域。
相机参数秒变图片！新模型打通理解生成壁垒，支持任意视角图像创作
S-Lab等机构研究员提出Puffin统一多模态模型，它能整合理解相机参数与按参数生成对应视角图片的能力。通过“用相机思考”和400万组数据训练，解决此前模型问题，还构建相关数据集和评测基准，性能出色。
只有0.9B的PaddleOCR-VL，却是现在最强的OCR模型。
近期OCR赛道火热，作者应读者要求解读PaddleOCR-VL。它是百度PaddleOCR系列新模型，仅0.9B参数，在OmniDocBench v1.5评测多项领先。其架构高效，实测处理各类文档能力强，已开源。
RAG新王：AccurateRAG屠榜SOTA
大模型记不住私有或实时信息，RAG 落地遇难题。AccurateRAG 是 Qualcomm 团队端到端工程方案，有 4 个模块化组件，在 6 个数据集上刷新 SOTA，解决 RAG 文档解析、检索和生成难题。
3年手搓ChatGPT！剑桥天才少年在Minecraft游戏中爆火回归
MC大神sammyuri时隔3年发布新作，在MC中复刻ChatGPT，名为CraftGPT。虽参数量小，但用Transformer架构，能和用户交互。模型训练用Python和小数据集，视频存档公布助理解原理。
多模态RAG哪家强？9 个 Embedding、4 类 MLLMs、4 大框架实景比拼
现有文档 RAG 评测存在不足，华南理工和华科推出 DOUBLE - BENCH 进行多模态 RAG 实战评测，结果显示检索是瓶颈，模型爱胡说。快手开源 Keye - VL - 1.5 - 8B，PaperAgent 有实操指南。
哇塞！Chrome MCP + OpenAI Whisper = 播客秒变学习笔记
作者分享Chrome MCP + OpenAI Whisper将播客秒变学习笔记的工作流。此组合成本低、无限制、学习成本低，通过实例演示音频下载、转录及划重点等步骤，适用于多种场景，性价比高。
Dify × MCP：让工作流不再是孤岛
Dify上新双向MCP功能，能让特定工作流融入通用场景。一个方向可添加现成MCP服务器扩展工具范围，另一方向能将自建工作流转成MCP服务器输出。它解决了工作流上手难、场景窄问题，提升了生产力。
哈佛重磅预警！经济学家预言：全球AI失业潮2年来袭，世界经济大崩盘在即
哈佛商学院视频采访美国经济学家Anton Korinek，他预警AGI可能2 - 5年实现，AI失业潮将席卷全球，经济或崩溃。他还谈及AI对经济影响、普通人应对办法，建议重新思考收入分配制度等。