「长视频连贯性」共找到 1523 篇相关文章
一张俯视图，竟然能生成完整3D小镇？
获取高质量3D场景成本高、耗时长，现有3D生成模型扩展到完整场景生成时问题多。加州大学提出无需训练的3DTown框架，能从单张俯视图合成真实连贯3D场景，虽有挑战但表现优于基线方法。
75页哈工大多模态推理大模型最新综述：感知、推理、思考与规划
哈工大提出75页多模态推理大模型综述，围绕四阶段发展路线图展开，即感知驱动的模块化推理、以语言为中心的短推理、以语言为中心的长推理、迈向原生多模态推理模型，还给出挑战性基准测试和实验案例见解。
ICML 2026 Oral | 为3D空间智能数据构建全自动数据飞轮，Holi-Spatial打造400万级空间多模态数据集
来自多机构的研究团队提出 Holi - Spatial，可从原始视频自动生成 3D 重建等数据，构建 400 万级空间标注数据集 Holi - Spatial - 4M，提升 VLM 空间能力，还形成自动化数据飞轮，但存在计算成本高、特定场景表现不佳等局限。
字节、快手、小红书之后，阿班押注下一代种草要从“围观”走向“体验”
Dreamova 创始人阿班在经历字节、快手、小红书工作后创业，定位 AI 时代「体验式生活方式平台」。他认为 00 后不满足围观式种草，要自己体验。产品让用户将喜欢的生活方式一键变成体验视频，可代入调整。
00后下场整顿Agent：啥都不学就能用好AI，这才是正确打开方式
AI圈模型变强但使用门槛变高，00后团队打造的胖鹅AI以低提示词为卖点，实测在生成视频、数据看板网页等方面表现出色。其核心是SOP体系，让AI适应人的习惯，降低使用门槛。
我们就这样在一起搞了两年
作者2024年离开特赛发后创业，用积蓄和炒股所得作为本钱。项目避开大语言模型和视频生成，选教育领域做考研调剂志愿填报，用agent完成工作。产品销售不错，作者虽有心理波动但坚持，未来想尝试新领域。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。
编程进入「对讲机」时代！Claude抢发语音写代码，转录Token全免费
Anthropic给Claude Code加语音模式，输入 /voice，长按空格说话即可输入，转录Token全免。OpenAI的Codex也更新类似功能。语音编程在Debug、架构讨论等场景好用，但识别变量名等仍有短板，未来编程将多模态。
00后8亿美金「掀桌」！硅谷AI将书写影视新传奇，终结制片旧时代
00后华人女CEO Cecilia Shen带队转型Cybever为全球首家AI原生影视工作室Utopai Studios，首年获1.1亿美元收入。其技术从3D虚拟环境生成发展到完整视频制作，还推出两部大作，或改变影视行业格局。
Claude Sonnet 4 API 支持百万上下文:解锁真正的生产级AI工程
Anthropic宣布Claude Sonnet 4支持100万Token上下文窗口，容量是之前5倍。长上下文支持已向部分客户公测，将推给更多用户。该功能已在亚马逊Bedrock公测，也将登陆Google Cloud。还介绍了用例、定价及早期用户好评。