「视频数据集」共找到 3410 篇相关文章
AI玩拼图游戏暴涨视觉理解力，告别文本中心训练，无需标注的多模态大模型后训练范式
在多模态大模型后训练浪潮中，现有方法多以文本为中心。MMLab@南洋理工大学提出Visual Jigsaw，将拼图任务用于后训练，让模型不依赖标注强化视觉感知与理解，在图片、视频和3D模态验证有效。
面壁MiniCPM4推理速度3倍，碾压同尺寸Qwen3，阿里上眼药了~
面壁发布包含10个模型的MiniCPM4系列，其推理速度快。它有高效模型架构、学习算法、高质量训练数据和推理系统等创新点，还给出了MiniCPM4实战代码及启用InfLLM v2的参数设置。
千万级标注成本归零！CVPR 2025清华团队成果：相机的“自运动”就是最好的老师
以往空间音频模型受限于采集条件和标注成本，清华和密西根大学团队在CVPR 2025给出新路径，利用相机自运动作监督信号，让模型从互联网视频学三维空间音频感知，成果入选会议Highlight。
AI创业一年狂揽800亿美元！Anthropic反杀OpenAI，双雄独吞89%
The Information数据显示，34家头部AI创业公司年化收入达800亿美元，OpenAI和Anthropic拿走89%。Anthropic反超OpenAI，靠企业客户崛起。剩下32家分11%份额，AI产业链价值向模型厂回流。
OpenAI 又整大活：发布首款 AI 浏览器 Atlas，目前仅限 macOS
OpenAI发布首款AI浏览器Atlas，仅限macOS。它集成原生ChatGPT，功能强大，是传统浏览器及AI浏览器新贵的竞争对手，完成度高。其让ChatGPT能读取网页数据、执行动作，或成未来AI操作系统接口。
一张照片，一个3D「你」：计算所等提出HumanLift，实现高保真数字人重建
中国科学院计算技术研究所等机构研究人员提出 HumanLift 技术，基于单张参考图像重建高斯网数字人全身。该技术融合三维视频扩散模型和人脸增强，仅需单张人体图片就能重建高逼真三维数字人。
Isomorphic Labs：DeepMind 创始人再创业，打造制药界的 TSMC
Isomorphic Labs 由 Alphabet 拆分 DeepMind 生命科学团队而来，用深度学习加速药物设计。借 AlphaFold 3 将药物发现转向 AI 驱动，与药企合作获数据和收入，有望成药物研发‘AI Foundry’，但也面临挑战。
何恺明改进了谢赛宁的REPA：极大简化但性能依旧强悍
扩散生成模型在建模复杂数据分布表现出色，但与表征学习领域关联不大。谢赛宁团队提出REPA，不过较麻烦。何恺明团队提出Dispersive Loss，简化且性能强，无需预训练等，适用于多种模型。
除了AGI已来和死亡，我们为黄仁勋重磅访谈总结了50条AI最前沿判断
2026年3月23日黄仁勋在播客访谈提出众多前沿判断，如AGI已来，Agent时代开启；智能会成商品，人性才稀缺；推理成本高；合成数据非旁门左道等，还谈及公司架构、算力、供应链等话题。
AI短剧生成神器
作者分享开源的AI短剧生成工具，它能根据剧本完成智能分镜、生成视频片段等一条龙服务，采用全局种子+风格继承改善人物和场景一致性，有分镜编辑器可手动调控，适合多种人群。