搜索：视频字幕处理

「视频字幕处理」共找到 1877 篇相关文章

Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2

Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。

Scale AI发布首个原生音频多轮对话基准Audio MultiChallenge，撕开大模型靠合成语音评测维持的假象。实验显示，Gemini 3 Pro等模型在真实场景表现不佳，还揭示了模型在语音交互中的三大失败模式。

清华朱军等团队提出多模态生成框架 UniCardio，在单扩散模型中实现心血管信号去噪、插补与跨模态生成。它采用扩散模型和 Transformer 架构，结合持续学习范式，实验表现优，有望用于多领域。

Insta360等团队推出全景度量深度基础模型DAP，构建200万量级全景数据引擎，设计三阶段伪标签管线，在模型架构上也有创新，在多项测试中效果优异，项目代码与模型已开源。

InfoQ《极客有约》X AICon 直播探讨企业 AI 提效实战。嘉宾指出用工程化手段控制模型‘幻觉’、做好数据治理很关键。还讨论了模型使用、数据处理、提效感受、招聘标准、场景选择等问题。

Google在NeurlPS2025大会推出结合RNN与Transformer的全新架构Titans，能扩展到超200万个token上下文。背后涉及Titans和MIRAS两篇论文，共同推进测试时记忆概念，实验显示新架构性能出色。

Neuralink官方视频中演示者已能用意念控制机械臂。升级实验将采用“双植入”方案，首位受试者或二次手术。受试者也主动探索新用法，2024 - 2025年Neuralink多项成果，下一阶段关注复杂神经功能。

2025年AIGC热度再创新高，通用图像编辑大模型虽功能强大，但在细分领域有不足。上海交通大学牛力团队推出并升级了Libcom图像合成工作台，与Nano Banana Pro对比，其在图像合成上表现更稳定。

新推出的PRBench基准可测AI在金融和法律领域表现。它有19356条专家评估准则，是该领域最大公开基准。顶尖大模型在困难子集得分低，还独创经济路径分析维度，约30%任务为多轮对话，揭示了AI在专业领域的不足。

人类首个AI创作型导演Josh Wallace Kerrigan，用GenAI工具构建Neural Viz外星宇宙，将AI视频缺陷变风格，打造出有23.3万粉丝的YouTube频道，获好莱坞关注，实现经济独立。