「视听场景理解」共找到 2620 篇相关文章
季度AI视频生成产品：多模态输入成标配，角逐一站式生成能力 | 量子位智库AI 100
Sora2下载量破百万引发AI视频生成热潮，谷歌推出Veo3.1再掀高潮。国外大厂将其卷至电影制作级创意，国内企业追求高质量、秒级生成并落地垂直场景。量子位智库发布的产品呈现多维度技术演进。
让推荐学会思考：用强化学习激活大模型的序列推理能力
文章指出推荐系统曾未紧密结合大模型能力，如今正靠近其训练范式。作者基于用户行为序列，用强化学习训练大模型理解序列关系，以预测用户下一个可能点击的资讯，并通过实验验证了该方法的可行性，还探讨了不同数据库中BM25算法的差异。
TPU vs GPU 全面技术对比：谁拥有 AI 算力最优解？
SemiAnalysis对Google TPU v7/v8深度拆解，将TPU与Nvidia GPU多方面对比拆到可计算层面。不过其结论有局限性，本文重新分析，指出TCO因场景而异，互联体系分歧在流量假设，Google TPU v8成本优势被削弱。
阿里一口气发了N款新模型，让我们向源神致敬。
阿里云栖大会发布众多模型，有Qwen3 - Max、Wan2.5等。Qwen3 - Max对标顶尖模型；Wan2.5支持音画同出；Qwen3 - VL是强大视觉语言模型且已开源；Qwen3 - Omni是全模态模型。此外还有多个新模型，构建全场景生态。
本地LLM万字救场指南来了！全网超全AI实测：4卡狂飙70B大模型
文章围绕本地大语言模型（LLM）展开，针对实用性和经济性问题，用Dell Precision 7960塔式工作站对主流模型测试。涉及不同尺寸模型、推理框架等，给出不同配置下性能指标及使用建议，还模拟真实场景测试。
刚刚，小红书开源了首个多模态大模型dots.vlm1，性能直追SOTA！
小红书人文智能实验室（hi lab）低调开源视觉语言模型dots.vlm1。该模型基于自研视觉编码器构建，在视觉理解和推理任务上接近SOTA水平，实测表现惊艳，还介绍了其技术架构、预训练数据布局等内容。
一文读懂 NVIDIA B30 与 H20 的区别 ：参数、应用与国产替代全解析
本文解读英伟达B30与H20芯片差异，对比参数和应用场景。B30为中国市场定制，虽单卡性能逊于H20，但集群性价比高。还分析B30挑战及国产替代方案，指出其是美技术封锁2.0版本。
西游取经团再出征：小米 Token Plan 能把 Token 价格打下来吗？
4月3日小米发布首款“走字儿”Token Plan计费方案，以Credit换算Token，不同模型换算比例不同，取消使用时间限制。实测MiMo V2 Pro完成任务水平在线，成本约为Lite套餐60％，但Token消耗难预估，其价值取决于任务场景。
JoyInside 创新大赛现场，我看到 AI 硬件长出了灵魂
作者曾对多数AI硬件失望，认为其有硬件没灵魂。但在观猹和京东联合举办的JoyInside创新大赛上，20强产品让其改观。大赛基于京东JoyAI大模型，缩短产品上市周期，前三名产品各有亮点，还呈现场景垂直化和交互方式改变趋势。
上下文工程如何重塑智能体的“思考方式”？
文章指出在大模型时代，智能体能否理解上下文是关键。介绍了上下文工程的魔力、从提示词到上下文工程的演进，分析了上下文工程不等同于上下文的原因及常见失败类型，还给出编排设计和常见策略，最后提及用RAGFlow构建私有知识问答应用。