「视频 - 音频联合生成」共找到 2045 篇相关文章
用两个简单模块实现分割理解双重SOTA！华科大白翔团队等推出多模态新框架
华中科技大学和金山办公团队联合提出语义增强特征提取器（SEFE）和交错局部视觉耦合（ILVC）模块，构建多模态大模型LIRA，解决现有模型分割不精确和理解有幻觉问题，在分割和理解任务上达SOTA。
以「场景」定义算力：AI时代，通用算力不只“通用”
当AI狂欢席卷全球，阿里云和AMD通过‘一芯三用’重新定义AI时代算力选型逻辑，从‘参数崇拜’回归‘业务本质’。联合发布三款基于AMD Zen 5架构‘Turin’处理器的全新ECS实例，精准匹配不同业务场景需求。
烧钱，能解决 AI 存储的焦虑吗？
存储短缺焦虑或延续至 2026 年，传统云存储因 AI 落地面临性能、成本等压力。InfoQ 联合腾讯云邀行业人士探讨成因、策略与竞争主线，还给出存储价值评估与规划方法，介绍文远知行和腾讯云实践。
对话RoboScience邵林：VLOA大模型如何突破具身智能泛化瓶颈
本文对话RoboScience联合创始人邵林，探讨VLOA大模型突破具身智能泛化瓶颈。他介绍了模型优势、设计思路，对比VLA，还谈及范式、难点及落地场景等，强调以人中心、做有温度技术，重视模型落地。
对话罗剑岚：机器人必须在真实世界中持续变强
DeepTech对话智元机器人首席科学家罗剑岚，围绕其团队发布的机器人世界模型τ0 - WM展开。罗剑岚认为机器人不能只在静态数据集上模仿，要能预测动作后果，还探讨了数据作用、工作关系及开源意义等。
Gemini 3.5来了！今夜，谷歌亲手淘汰谷歌
谷歌I/O 2026大会火力全开，发布Gemini Omni、3.5 Flash、Spark等新品。Omni可接收任意输入生成视频，3.5 Flash性能强大，Spark是7×24h云端个人AI特工。谷歌多项能力同时到位，撕开了ASI入口。
小扎AI眼镜当场死机，CTO自曝灾难级演示内幕：一个指令干趴自家服务器
小扎演示Meta智能眼镜Ray - Ban Display时翻车，AI助手回应异常、视频通话失败。CTO复盘，一是指令致多眼镜激活干趴服务器，二是时机糟的Bug。虽演示失败，但Meta仍豪掷千亿布局AI。
北大、字节跳动联手发布SWE-Swiss：一把修复代码Bug的「瑞士军刀」，完整配方直指开源SOTA
北大、字节跳动等联合研究提出SWE - Swiss配方，用于训练解决软件工程问题的AI模型。32B参数的SWE - Swiss - 32B在SWE - bench Verified上准确率达60.2%，各训练环节效果显著，模型和数据将开源。
Meta发布Omnilingual ASR：支持1600+语言的开源语音识别系统
Meta发布全新自动语音识别系统Omnilingual ASR，支持超1600种语言，核心创新是零样本和少样本学习能力，降低小语种语音识别门槛。项目提供不同规模模型，安装调用简单，目前仅支持40秒内音频，数据集和项目均开源。
4B小模型数学推理首超Claude 4，700步RL训练逼近235B性能 | 港大&字节Seed&复旦
香港大学NLP团队联合字节跳动Seed、复旦大学发布Polaris强化学习训练配方，让4B模型数学推理能力超商业大模型，且Polaris-4B可在消费级显卡部署，相关内容已全部开源。