「多模态数字人」共找到 2206 篇相关文章
用“蒸汽机”生成视频，还能音视频一体化交付？
8月21日百度营销发布百度蒸汽机2.0，含多版本，有声版可音视频一体化交付。经测试，其生成视频细节佳、运动规律合理。它能解决影视业诸多痛点，成本低，还可免费使用。
GPT-5、Grok 4、o3 Pro都零分，史上最难AI评测基准换它了
AAI机构提出新基准FormulaOne，让GPT - 5、o3 Pro等前沿大模型集体得零分。该基准含220个图结构动态规划问题，分三类难度。测试结果显示，模型在深层及最深层难度表现差，引发关注。
刚刚，谷歌摊牌：Genie 3让你1秒「进入」名画，人人可造交互世界！
谷歌新发布Genie 3世界模型，能从文本生成交互式AI空间世界，操控图像和视频。用户可进入《苏格拉底之死》《夜游者》等名画探索，还能利用它训练3D模型，实现沉浸式体验。
OpenAI 发布了个 ChatGPT 优化计划，不是GPT-5
OpenAI未发布GPT - 5，而是推出ChatGPT「健康使用」优化计划，旨在助用户成长而非让人上瘾，措施包括休息提醒、改进生活建议功能等，还与专家合作改进响应方式。
「硅谷大乱」小扎挖人细节来了：4年总包3亿美金，第一年可直接获得1亿美金，被OpenAI多人拒绝
为组建Meta超级智能团队，挽回Llama4失败局面，扎克伯格简单粗暴挖人，开出四年总包超3亿美元、首年到手1亿的薪酬，还提供领先算力。至少10名OpenAI员工拒绝，这撕裂了硅谷“使命驱动”文化。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
谷歌T5Gemma重燃架构之战！「套壳」反杀Gemma本尊，9B推理快得离谱
2023年以来大模型战场由decoder - only架构主导，Google双线出击。T5Gemma重燃encoder - decoder架构战火，性能提升显著；MedGemma坚守decoder - only路线，强攻医疗多模态，击穿闭源壁垒，打响开源反击战。
奶牛版 Oura 估值 10 亿美金，AI+PDF 让它拿了 1700 万美金融资
市场上多数AI PDF产品是ChatPDF模式，用于C端。企业关键非结构化数据多在PDF等传统载体中，难以获取。硅谷工程师做的Extend AI产品，获1700万美金融资，解决传统文档处理难题，打造平台。
让AI主动干活，给你找服务，鸿蒙“6”啊
在HDC 2025上，鸿蒙展示服务分发展示新能力，能让服务主动找用户。它形成Agent行动网络，推出“探索”服务流。奈雪、东方财富等已加入，华为为开发者提供多种工具及激励政策。