「音频推理」共找到 2178 篇相关文章
AI Coding 的下半场，何去何从？
文章回顾AI Coding三年演进，指出2023年范式落地、2024年Coding Agent上位、2025年形态之争加速且CLI成主战场。分析项目“火爆”逻辑，提及市场数据背书，还探讨应用与模型关系及技术堆栈。
理解帮助生成？RecA自监督训练让统一多模态模型直升SOTA
统一多模态模型在视觉理解和生成能力上不平衡，常理解强但生成弱。本文提出重建对齐（RecA）自监督后训练方法，不改动架构，用未标注图像训练，在多模型实验中提升性能，部分达SOTA。
Cursor定价又更新，直接变成" 买API "，Coding 产品包月模式走不下去了
Cursor一年三变价，9月15号后个人版按模型推理用量计费，有Pro、Pro Plus、Ultra方案，还对大学生免费计划二次验证。因模型成本涨、竞争大，包月模式难以为继，多家编程工具都调整定价。
苹果端侧AI两连发！模型体积减半、首字延迟降85倍，iPhone离线秒用
苹果在Hugging Face放出FastVLM与MobileCLIP2两条多模态主线。前者主打「快」，首字延迟压到竞品1/85；后者突出「轻」，体积减半。模型和Demo已开放，开发者可集成开发。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
首个3D动作游戏专用VLA模型，打黑神话&只狼超越人类玩家 | ICCV 2025
淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。
OpenAI首席科学家访谈被紧急制止！有些名字现在不让说了……
OpenAI首席科学家访谈时被要求禁止透露重要员工名字，因Meta常挖人。GPT - 5将发布，奥特曼谨慎应对。此外，还介绍了OpenAI研究方向、瓶颈，以及其他公司在挖人大战中的举措。
Meta华人新秀毕树超，重磅爆料下一代LLM路线！RL+预训练直通AGI
OpenAI前研究员、Meta成员毕树超在哥大演讲指出，AGI需高质数据、好奇驱动探索与高效算法，Scaling Law有效，规模决定智能，终身学习是重点，还探讨了AGI面临的诸多问题与挑战。
不看后悔！GitHub 开源 MultiTalk .8k star 强大的人语音＋图像绑定项目
MultiTalk 是 MeiGen‑AI 开发的开源框架，可从音频、图片和提示语生成多人对话视频。它解决传统视频制作痛点，功能亮点多，技术优势明显，应用场景广，与同类项目对比表现突出。
与三位前沿研究者聊AI Agent：规则、环境与热潮下的真问题｜五源小酒馆Vol.31
五源小酒馆对话三位AI Agent前沿研究者，探讨其发展进展、挑战。他们分享对Agent定义、能力边界判断等，提及过去技术突破，如DeepSeek工作，也指出通用Agent瓶颈，探讨未来模型能否提有价值问题等。