「可交互音视频」共找到 5044 篇相关文章
李飞飞又被超越了？百万「普通视频」打造通用4D世界模型！
全行业为昂贵多视角数据发愁时，中科院和CreateAI推出NeoVerse，用百万单目视频打开4D世界模型大门。它抛弃多视角数据和离线预处理，解决扩展性瓶颈，在重建速度、生成质量等方面表现出色，有丰富下游应用。
基于文本AI的终结？Agent协作可直接「复制思维」，Token效率暴涨
在 Agentic AI 时代，多智能体系统让 AI 从单打独斗变为团队协作。普林斯顿大学等机构研究者提出多智能体推理框架 LatentMAS，将协作从 token 空间转移到潜在空间，实验显示其性能、效率大幅提升。
短视频刷多了AI也会变蠢！“年度最令人不安的论文”
最新研究显示，大模型灌多垃圾内容会‘脑损伤’，研究人员用不同维度定义垃圾数据并训练模型，测试其核心能力，发现垃圾数据致认知下降，且损伤不可逆，还给出行业启发。
Meta开源多语言语音识别系统，支持1600种语言，可轻松扩展新语种！
Meta研究团队开源Omnilingual ASR，能理解1600种语言，用几条语音 - 文本配对样本就能零样本扩展新语种。提供三种架构，满足不同需求，性能超现有多语种模型，应用场景广泛。
第二代InfLLM开源，同尺寸快三倍！零参数，可训练稀疏注意力
新智元报道，清华、OpenBMB和哈工大提出零额外参数、训练高效的原生稀疏注意力框架InfLLM-V2，仅用5B长文本词元就能完成训练，相比稠密注意力机制有显著加速，性能接近传统稠密模型。
首次人体实验成功！基因编辑胰岛细胞“隐身”植入，可正常分泌胰岛素
最新研究显示，科学家首次将CRISPR编辑的胰岛细胞移植到一名1型糖尿病患者体内，细胞数月内持续分泌胰岛素，还能逃避免疫检测，使接受者无需服免疫抑制剂。不过研究仅涉一人，Sana计划明年开展更多试验。
长视频生成可以回头看了！牛津提出「记忆增稳」，速度提升12倍
牛津大学团队提出VMem，把「看过什么」写进几何小片，用基于3D几何的记忆索引替代短窗上下文，实现「一致性更强、资源更省、速度更快」，实测速度比常规管线快约12倍。
Google 推出超小杯 AI：Gemma 3 270M！可进手机和浏览器
Google发布Gemma 3家族最小版本Gemma 3 270M，2.7亿参数，能耗低，在同规模模型中表现突出。设计理念是“够用就行”，适合特定任务，已在多平台发布，开源策略效果好。
3D-R1重塑三维视觉语言推理！让三维交互更智能
近年来，视觉 - 语言模型在2D图像理解有突破，但3D视觉语言模型面对复杂场景不足。为此上海大学团队提出3D - R1模型，它基于新数据集和策略构建，有强多任务三维理解能力，不过也存在进步空间。
让小爱音箱超越「指令-响应」模式，开启真正智能交互新时代
2017年智能音箱诞生，却被困于「指令 - 响应」模式。此次Open - XiaoAI进化，接管小爱音箱“耳朵”和“嘴巴”，通过多模态大模型和AI Agent释放其潜力，还给出项目运行教程等。