「多模态体验」共找到 1618 篇相关文章
文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平
澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。
哈工大发布动画多智能体，文本一键生成连贯动画
随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。
每帧Sora级震撼！Midjourney首个视频模型登场，超逼真大片首测来袭
Midjourney首个AI视频模型V1上线，每月10美金可体验20秒。其视觉效果惊艳，能媲美Sora等，还能一键让图像动起来。成本低，提供多种模式与设置，有技术愿景，未来将完善模块。
77万人围观的吉卜力风「游戏」视频，我们用3个国产AI整出来了（含提示词）
Reddit上吉卜力风格游戏视频爆火，a16z合伙人Justine Moore转发获超77万浏览量。文章介绍用国产AI复刻视频的流程，包括用即梦3.0文生图，对比即梦3.0 Pro、可灵2.1大师版、Hailuo 02视频生成效果，还探讨AI对游戏产业的影响。
万帧？单卡！智源研究院开源轻量级超长视频理解模型Video-XL-2
长视频理解是多模态大模型关键能力，当前开源模型有短板。智源研究院联合发布 Video-XL-2，多维度优化长视频理解能力，还设计效率优化策略，在主流评测基准表现出色，有广泛应用潜力。
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
多模态是大模型热门应用概念，文本生成语音赛道受资本青睐。作者实测对比扣子空间和NotebookLM，发现扣子空间播客功能更优，能精准拿捏尺度，覆盖场景大，还能做旅行攻略、生成网站等。
靠"氛围编程"狂揽 2 亿美金，Supabase 成 AI 时代最性感的开源数据库
本周，开源数据库 Supabase 宣布完成 2 亿美元 D 轮融资，投后估值 20 亿美元。它以“开箱即用”体验降低 SQL 接入门槛，适配“氛围编程”工作流，还不断集成 AI 能力，开源模式也很有吸引力。
AI不靠“闭门造神”，海内外一线专家共探智能新纪元，GOSIM AI Paris 2025圆满收官！
5月7日，GOSIM AI Paris 2025在法国巴黎迎来第二日议程。全球专家围绕AI技术多方面探讨，涉及模型、基础设施等主题。还分享大模型趋势，宣布新型许可证，各分论坛展示多元成果，大会圆满收官，杭州场9月待启。
Next.js 真有那么好用吗？Netlify 谈他们遇到的六个现实问题
Netlify 部署大量 Next.js 网站时遇到诸多挑战。如无适配器支持、无生产级无服务器部署文档、存在未文档化行为、未基于开放 Web 标准、缺乏路线图可见性和发布可预测性等，并提出应对办法与展望。
CVPR 2025 | 如何稳定且高效地生成个性化的多人图像？ID-Patch带来新解法
本文围绕个性化多人图像生成展开，指出其面临身份特征泄露等挑战。介绍了早期方法的不足，提出全新的ID-Patch方案，阐述其设计思路、实验效果等，还探讨了提升空间与未来方向，该方案在多人物图像生成中有突破式提升。