搜索：多模态视频生成大模型

「多模态视频生成大模型」共找到 3297 篇相关文章

CoT 之后，CoF 如何让帧间逻辑从「隐式对齐」变成「显式思考」？

CoT 虽提升语言模型推理能力，但在 C 端场景有局限，且被质疑并非真实推理。视觉领域提出 CoF 概念，Google DeepMind 团队引入理论，让视频模型通过帧链推理提升帧间一致性，还具强大泛化能力。

Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。

生成模型改变直播行业，但此前模型难保证时间一致性、有延迟等问题。加利福尼亚大学推出StreamDiffusionV2，通过智能调度和缓存机制优化，支持多GPU并行，可灵活调画质和延迟，实现实时直播。

LayerComposer革新个性化图像生成，能让用户如在Photoshop般操控元素位置、大小，解决传统方法交互性与多主体扩展难题。它有分层画布、锁定机制、模型–数据共设计三大特点，实验表现出色，未来将促进人机协同创作。

伯克利、纽约大学等团队发表论文，提出GenMimic方法，让机器人能零样本复现AI生成视频动作。Yann LeCun是共同导师之一。团队构建GenMimicBench数据集，经仿真和真实实验验证方法可行。

阿里上线HappyOyster 1.0世界模型，一句话生成可实时探索、交互的开放世界。它与文生视频不同，能让用户参与体验。该模型有世界探索和实时导演两大功能，技术优势显著，应用场景广泛。

Champ项目致力于从一张静态人物图生成人体动画，将3D参数化人体模型引入扩散模型。它解决了传统动画效果不真实等痛点，有诸多核心功能，技术优势明显，在多领域有高应用价值。

阿里通义实验室语音团队联合中科大发布多模态电影配音模型Fun - CineForge，开源模型并构建中文电视剧配音数据集。它能处理多种场景，有视频理解等亮点，还给出制作数据集步骤。

香港中文大学与快手可灵团队联合提出运镜可控视频生成框架CamCloneMaster，引入‘参考即用’范式，告别对相机参数依赖。其训练、测试代码和数据集均已开源，在各项指标上优于SOTA方法。

InfoQ AI ML 趋势报告基于编辑团队与嘉宾播客，总结 AI、ML 技术发展趋势。涵盖 AI 代理、多模态语言模型等创新领域，也提及早期采用者、早期多数、晚期多数类别的技术，还对 2025 年相关领域发展作出预测。