搜索：视频推理数据集

「视频推理数据集」共找到 4903 篇相关文章

Kimi K2.5登顶开源第一！15T数据训练秘籍公开，杨植麟剧透K3

Kimi K2.5登上Hugging Face热榜榜首，下载超5.3万。它主打Agent能力，成绩超GPT - 5.2等闭源模型，性价比高。官方技术报告公开其用15T数据训练，还搭载Agent Swarm架构，团队还剧透了Kimi K3。

美国发布AI行动计划，欲成“世界AI冠军”，但阿里在7月22 - 25日三连发，推出Qwen3 - 235B非思考版本、Qwen3 - Coder、Qwen3 - 235B - A22B - Thinking - 2507推理模型，冲击美国计划。千问3在多领域表现出色，不过也有使用费用等小问题。

英伟达发布涵盖多领域的开放模型、数据集和开发工具，扩展多个模型家族。代理式AI领域扩展Nemotron；机器人技术引入Cosmos；自动驾驶有Alpamayo；医疗保健有Clara相关模型。均开放许可，可经GitHub等访问。

澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。

语音合成近年爆发式增长，开源领域也有强大音乐模型。Soul APP联合多机构开源的SoulX - Singer，喂了42000小时数据，主打零样本歌声合成，支持双控制方式，多语言与跨语言能力强，架构先进，评测表现优。

北京智源研究院发布并开源基于原生多模态训练的世界学习者Emu3.5，它将视觉和语言视为同一种数据流，在超13万亿token数据上学习，解决长视野多模态信息处理问题，经多阶段训练和优化，能力强大且已开源。

上海新智具身联合复旦发布三份技术报告，将触觉跃升为具身智能核心基建。包含统一触觉数据格式并构建3万小时语料库、以触觉预判赋能VLA、在世界模型重构触觉想象等内容，项目数据和模型将开源。

影身智能已连续完成多轮融资，累计近亿元。其以‘原生3D动态世界模型’为核心技术，采用与市场不同的‘升维’思路，用自研的‘影身360’系统采集3D数据，还落地柔性智造行业，目标是打造通用人工智能产品。

近日，极佳视界与湖北人形机器人创新中心联合发布端到端VLA具身基础模型GigaBrain - 0，这是国内首个用世界模型生成数据实现真机泛化的模型，后续将全面开源，能完成复杂操作，实验成功率超SOTA方法。

ZPressor能高效压缩3D高斯泼溅（3DGS）模型的多视图输入，解决其在处理密集视图时的性能瓶颈。它基于信息瓶颈原理，分三步压缩信息，降低内存占用和推理时间，提升3DGS在高视图输入下的性能。