「视频 - 音频联合生成」共找到 2047 篇相关文章
跨层压缩隐藏状态同时加速TTFT和压缩KV cache!
论文 UNCOMP 被 EMNLP 2025 主会接收，提出高效推理框架，用截断矩阵熵解释 LLM 稀疏化，据此设计 UNCOMP 框架，通过压缩隐藏状态优化 KV Cache，实现计算与内存联合优化，实验效果显著。
大模型如何准确读懂图表？微软亚研院教它“看、动手、推理”
多模态大模型处理结构化图像有误差放大、推理难等问题。微软亚洲研究院等提出PixelCraft，以高保真图像处理与非线性多智能体推理为支柱，提升结构化图像理解性能，在多基准上有增益。
综述238篇遥感微调！清华院士团队指出9大方向 | CVMJ
在大数据和大模型推动下，遥感微调技术从全参数微调发展到混合微调。清华等团队在CVMJ期刊梳理技术脉络，涵盖适配器、提示等微调方法，还指出9个潜在研究方向，助力遥感技术应用。
相机参数秒变图片！新模型打通理解生成壁垒，支持任意视角图像创作
S-Lab等机构研究员提出Puffin统一多模态模型，它能整合理解相机参数与按参数生成对应视角图片的能力。通过“用相机思考”和400万组数据训练，解决此前模型问题，还构建相关数据集和评测基准，性能出色。
能懂孩子、懂爸妈、还懂宠物，这届AI硬件太会了
在AI终端生态大会上，荣耀携手伙伴展示AI新用法，发布八大AI场景化生态解决方案，覆盖多高频场景。其构建的AI生态网让AI从‘能用’到‘好用’，还重新定义硬件与人的关系，让AI更懂生活。
无VAE扩散模型！ 清华&可灵团队「撞车」谢赛宁团队「RAE」
清华大学智能视觉团队和快手可灵团队联合推出《Latent Diffusion Model without Variational Autoencoder》，提出 SVG 框架，用预训练视觉特征编码器替代传统 VAE，解决了传统「VAE + Diffusion」范式的效率与通用性痛点。
3年手搓ChatGPT！剑桥天才少年在Minecraft游戏中爆火回归
MC大神sammyuri时隔3年发布新作，在MC中复刻ChatGPT，名为CraftGPT。虽参数量小，但用Transformer架构，能和用户交互。模型训练用Python和小数据集，视频存档公布助理解原理。
躲了科学家几十年的流体不稳定奇点，被DeepMind用AI找到了
谷歌DeepMind与多所高校合作，用物理知情神经网络（PINN）+高精度数值优化的方法，找到了流体方程里的不稳定奇点。这种奇点很“挑剔”，此前难寻踪迹，此次发现为非线性流体动力学研究提供新范式。
7亿人每周狂发180亿条消息！OpenAI首次揭秘ChatGPT最火用途
OpenAI联合杜克、哈佛发布ChatGPT首份使用报告，显示周月活达7亿，成高学历白领办公利器，编程冷门。同时，Anthropic报告称人们交给Claude完成任务比例涨至49%，Claude主战场是代码编写。
从Debugger到Developer : 低代码时代新基准NoCode-bench，SWE-Bench作者力荐
浙江大学牵头联合多机构推出全新评估基准NoCode - bench，直面自然语言驱动功能添加任务，发现当前最佳LLM成功率仅两成。它构建严谨，任务挑战大，指明AI软件开发改进方向，且已开源。