「3D场景理解」共找到 4202 篇相关文章
全新唇同步技术OmniSync，遮挡，侧脸不在话下
唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。
Hugging Face开源nanoVLM，750行代码可训练视觉语言模型，简单到令人发指！
Hugging Face开源全新视觉语言模型框架nanoVLM，仅750行代码就能从零训练高效能VLM模型。它在单张H100 GPU训练6小时后，在MMStar数据集准确率达35.3%，且能在免费Google Colab跑。
李飞飞发布Atlas，世界模型进入新时代
李飞飞创业公司 World Labs 发布新一代世界模型 Atlas，它是全模态模型，能处理四模态数据。其核心为空间上下文设计，评测成绩不错，应用场景丰富，公司发展节奏密集，产品路径有转向。
一天斩获2.5k星星！首个可以「让AI直接画CAD」的开源项目来了
新开源项目text - to - cad很猛，只需把需求告诉AI，它就能生成可编辑3D模型、导出文件，还能预检。支持多格式，有几何引用等特点，一天获2.5k星。
AI 终于能"玩手机"了：Mobile MCP 让大模型直接操控你的 iOS 和 Android
Mobile MCP 是开源 MCP Server，让支持 MCP 协议的 AI 客户端操控 iOS 和 Android 设备，通过自然语言指令完成操作，解锁自动化测试等场景，但成功率有待提升，目前更适合探索性测试等。
用Claude Code剪视频，自动去口癖、加字幕、调色，完全免费开源
browser - use团队开源Claude Code技能video - use，可自动去口癖、加字幕、调色等。它通过转录文本和按需视觉合成图让LLM理解视频，有完整流水线和设计原则，还给出使用方法。
灭霸带着复联放烟花！16秒，让手搓 AI 视频拥有大片即视感
生数科技的Vidu Q3超越Sora 2，位居全球第二、中国第一。它能16秒声画同出、叙事能力强、镜头和文字渲染出色，还降低了视频制作门槛，可用于漫剧、短剧、影视剧制作。
AI翻译的「最后一公里」
文章指出文化差异成AI翻译难题，通用大模型数据不平衡，存在“算法霸权”。如处理低资源语言，AI易产生幻觉，还因无肉身难理解基于生理体验的隐喻，人机协作才是翻译未来。
OpenAI「至暗时刻」已至，谷歌一剑封喉奥特曼
昔日盟友倒戈Anthropic，宿敌谷歌技术反超，OpenAI统治地位受威胁。谷歌Gemini 3表现出色，OpenAI技术领先优势缩小，财务也面临压力，但奥特曼表示会推出新模型追赶。
6.6K标星！微软开源Agent自我优化框架，为智能体注入持续学习能力！
开发AI Agent常面临部署后难自动优化的问题。微软开源的Agent Lightning，加几行代码就能让Agent自动学习、持续优化，有事件追踪等核心能力，安装简单，应用场景丰富。