「视频时长预测」共找到 1959 篇相关文章
VLA别再「走神」：即插即用提升视觉泛化，相对Pi0.5提升18%
至简动力、北大、港中文团队发现VLA模型深层动作预测对关键视觉区域依赖下降，提出DeepVision - VLA框架，在仿真和真实任务中效果显著，能有效提升视觉泛化能力。
AI大牛刘威创立的Video Rebirth，刚刚又完成8000万美元融资
AI视频生成企业Video Rebirth完成8000万美元融资，由AMD Ventures、现代汽车等跨界投资。其由刘威创立，首创Dual Diffusion Transformer架构，新资金用于Bach模型商业化与全球扩张。
CVPR 2026｜清华联合美团推出3DThinker，首个用3D意象思考的工作
当前多模态大模型在空间理解任务表现弱，缺乏对几何信息提取能力。清华联合美团推出3DThinker，无需3D标注和外部工具，让模型内蕴‘想象’三维场景，在多基准上提升效果，且具备一定可解释性。
刚刚，阿里旗舰模型Qwen3-Max-Thinking发布，编程能力“踢馆”Gemini与Claude
阿里发布旗舰模型Qwen3-Max-Thinking，总参数超1万亿，在多项权威基准测试中表现优异，可与顶级闭源模型竞争。千问团队为其引入两项核心创新，提升推理性能，该模型已可免费体验。
把RoPE扔掉，AI更能看懂长上下文！Transformer作者团队开源大模型预训练新方法
Transformer架构核心作者之一Llion Jones团队开源新技术DroPE，可丢弃位置嵌入扩展上下文，解决RoPE长序列处理缺陷，在多模型实验中表现卓越。该团队来自Sakana AI，此前还有相关研究成果。
英伟达机器人掌门人Jim Fan年度复盘：Vibe Coding火出圈，机器人领域却依然焦头烂额
AK推文让Vibe Coding火出圈，而英伟达机器人负责人Jim Fan对2025机器人领域发展泼冷水，指出硬件可靠性差、Benchmark混乱、VLA路线存问题等现状，并分享3个教训，还回应网友质疑。
BettaFish微舆：一个多智能体舆情分析系统
BettaFish微舆可依自然语言需求抓取分析30多个主流社交媒体生成舆情报告。它将任务拆解给不同智能体，系统架构清晰，最终整合生成带时间线分析的HTML报告。项目在GitHub开源且登顶趋势榜第一。
ICCV25 Highlight｜格灵深瞳RICE模型狂刷榜单，让AI「看懂」图片的每个细节
格灵深瞳公司灵感团队自研的视觉模型基座RICE（MVT v1.5）刷榜多项视觉任务，在ICCV25获Highlight荣誉。它延续MVT系列理念，提升图片内部视觉特征差异性，在多任务验证中表现优异。
从BM25到Multi-Vector：6种Embedding演进路线
文章介绍从BM25到Multi - Vector的6种Embedding演进路线，涵盖Sparse、Dense等类型，分析其痛点、效果、案例及选型建议，还给出不同场景的方案选择和步骤。
从BM25到Multi-Vector：6种Embedding演进路线
文章介绍6种Embedding演进路线，包括Sparse、Dense等，分析其特点、痛点、效果和案例，还给出选型建议，如关键词匹配选Sparse，长文本定位选Multi - Vector，也提及方案选择步骤。