「视听场景理解」共找到 2620 篇相关文章
浙大推出首个「多图应用题」基准GSM8K-V，全面评估 VLM数学推理能力
浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。
Uber&WisdomAI揭露95%AI Agent落地失败的真相 ！
在‘Beyond the Prompt’技术论坛上，Uber、WisdomAI等企业揭开AI智能体落地难症结。指出90%失败源于‘喂错料’，信任是落地‘生死线’，记忆是架构设计，多模型编排与场景化交互决定用户体验上限。
创新中心 | “影视AIGC实战进阶”专题活动，亮相第八届初心榜！
AIGC全面融入影视产业，重塑创作方式等。‘AIGC影视应用专题对话’作为第八届初心榜青年视听展重要环节，将在首创·郎园Station举行，汇聚多领域力量探讨影视AIGC落地实践。
马斯克宣布开发 Grokipedia，目标超越维基百科，改善信息偏见
马斯克宣布 xAI 开发 Grokipedia，称其是对维基百科的巨大改进，也是理解宇宙的必要一步。维基百科存在左翼偏见问题，Grokipedia 旨在建立无偏见知识库，引发广泛讨论，名字也有争议。
DRAM技术发展综述：历史、技术路线图与未来展望
本文深入分析DRAM技术，追溯其历史，探讨当前格局与未来前景，比较其与SRAM优劣，考察中国主要DRAM企业发展历程并与国际同行对比，旨在提供对DRAM和SRAM生态系统的全面理解。
李飞飞发布世界模型新成果：一个提示，生成无限3D世界
李飞飞创业团队World Labs宣布能生成持久、可导航且能自定义操控的3D世界。该模型专注构建3D环境，有更好几何形状、多样风格、更大规模，还支持无限畅游，已推出beta版。
2 亿美元 ARR，AI 语音赛道最会赚钱的公司，ElevenLabs 如何做到快速增长？
AI音频独角兽ElevenLabs估值66亿美元，从“小公司”成长为独角兽。其CEO回顾创业历程，分享心得，如结合研发与产品、融资绑定产品动态、靠三点优势不被OpenAI取代等，还谈及人才、融资、业务等方面策略。
全球图生视频榜单第一，爱诗科技PixVerse V5如何改变一亿用户的视频创作
爱诗科技PixVerse（拍我AI）功能丰富，普通用户可用热门模板整活，创作者有多样创作工具。其最新V5模型在图生视频项目全球排名第一，在多方面技术革新，推动AI视频创作发展。
斯坦福：优化器「诸神之战」？AdamW 凭「稳定」胜出
斯坦福大学 Percy Liang 团队研究指出，虽有不少声称能显著加速的优化器替代方案，AdamW 仍为预训练稳健首选，但矩阵型方法在特定数据–模型比例下优势明显。研究还揭示了现有研究的方法论缺陷。
Google发布"Nano Banana"图像生成模型，号称全球第一
Google推出新图像生成和编辑功能，社区称其为‘Nano Banana’，号称‘世界第一’且免费开放。它有风格转换、背景编辑等亮点，用户反馈整体积极，但也存在API限制等问题，与对手有差距也有优势。