「视频字幕处理」共找到 1877 篇相关文章
多模态扩散模型开始爆发，这次是高速可控还能学习推理的LaViDa
近期基于扩散模型的视觉 - 语言模型 LaViDa 出现，它继承扩散语言模型优点。与自回归模型不同，扩散模型能并行、处理双向上下文。LaViDa 在多任务测试有竞争力，推理蒸馏和文本填空表现好，还能权衡速度与质量。
企业微信给AI写了94份说明书，Claude Code现在能直接干活
北京时间8月17日，企业微信更新，将能力域从7个扩到12个，参考文档扩到94份。介绍了其能操作的业务品类，分析文档权重体现的产品意图，阐述三个设计细节，指出想象空间、机会及坑，强调此次更新比首次更重要。
ICML 2026 Oral | 为3D空间智能数据构建全自动数据飞轮，Holi-Spatial打造400万级空间多模态数据集
来自多机构的研究团队提出 Holi - Spatial，可从原始视频自动生成 3D 重建等数据，构建 400 万级空间标注数据集 Holi - Spatial - 4M，提升 VLM 空间能力，还形成自动化数据飞轮，但存在计算成本高、特定场景表现不佳等局限。
字节、快手、小红书之后，阿班押注下一代种草要从“围观”走向“体验”
Dreamova 创始人阿班在经历字节、快手、小红书工作后创业，定位 AI 时代「体验式生活方式平台」。他认为 00 后不满足围观式种草，要自己体验。产品让用户将喜欢的生活方式一键变成体验视频，可代入调整。
00后下场整顿Agent：啥都不学就能用好AI，这才是正确打开方式
AI圈模型变强但使用门槛变高，00后团队打造的胖鹅AI以低提示词为卖点，实测在生成视频、数据看板网页等方面表现出色。其核心是SOP体系，让AI适应人的习惯，降低使用门槛。
我们就这样在一起搞了两年
作者2024年离开特赛发后创业，用积蓄和炒股所得作为本钱。项目避开大语言模型和视频生成，选教育领域做考研调剂志愿填报，用agent完成工作。产品销售不错，作者虽有心理波动但坚持，未来想尝试新领域。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。
还在玩AI 3D手办？Gemini 3 Deep Think已能直出STL，可打印实物
推理模型赛道竞争激烈，谷歌 Gemini 3 Deep Think 迎来重大升级，能处理科研级、工程级、多条件约束问题，可将用户要求等建模成 3D 打印实体文件，还能用于多领域科研和工程，欲成科研工程‘第二大脑’。
3D重建的惊人进展：多所世界名校联合发布论文，告诉你AI在3D世界的研究现状
多所世界名校联合发布调查研究论文，回顾用于3D重建和视图合成的前馈技术并分类，研究关键任务及应用。前馈模型打破每场景优化魔咒，带来速度和泛化能力的提升，解锁新应用，但也面临挑战。
为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？
现在很多人觉得模型强大，提示词工程没必要，但复杂需求仍需它。作者以写雷军演讲提示词和YouTube字幕生成提示词为例，介绍迭代创作过程，指出写不好提示词根源是难评估差距和调整。