「音频 - 视觉模型」共找到 7936 篇相关文章
后Scaling Law时期的模型、token和组织 | 5Y Quarterly
文章是五源2026年第二季度回顾，涵盖对AI多方面观察，如token军备竞赛、模型资产价值、公司组织成护城河等，还提及被投企业上市、融资情况及五源资本获多项行业荣誉。
放弃开源、重组权力！扎克伯格掏出Muse Spark，杀回大模型主桌
Meta在AI发展遇阻后推出Muse Spark，它是MSL首个模型，定位为通向个人超级智能的第一步，性能表现出色，当前闭源，未来Muse系列或有开源变体，标志Meta AI权力结构重塑。
大模型哪里出问题、怎么修，这篇可解释性综述一次讲清
来自多机构的研究团队发布“可实践的机制可解释性”综述，通过 'Locate, Steer, and Improve' 三阶段范式，为大模型的对齐、能力增强和效率提升提供方法论，还梳理可解释对象体系和干预手段。
jiSGLang集成ktransformers：2TB内存运行Kimi K2 Thinking模型
对于内存多但GPU资源有限的用户，SGLang集成ktransformers的CPU内核，支持直接运行Kimi K2 Thinking模型。它无需等量化，还能微调，虽性能与GPU方案有差距，但给用户新选择。
给 iPhone 装个“最强本地大脑”：Google 开源模型 Gemma 4
Google 4 月初发布开源模型 Gemma 4，可离线运行在 Google AI Edge Gallery 上。它在多项基准表现出色，采用 Apache 2.0 协议，开发者可集成到 App。还介绍了在 iPhone 离线使用方法及适用场景。
模型都一样了，AI Agent 真正的差距在 Harness 层！
如今各平台接入模型趋同，AI Agent 差距体现在 Harness 层。以天工超级智能体为例，其有约束先行、任务并行编排等亮点，还提供 Skill 粒度新思路，且云端运行降低使用门槛。
当模型成为公共基础设施，特赞如何架构企业级 Agentic AI？
当大模型成公共基础设施，企业需构建围绕业务结构的智能系统架构。特赞提出的 GEA 企业级智能体架构体系，围绕企业业务运行结构设计，能让智能体参与企业经营判断。
OVI：统一的音视频生成模型，声音与画面同步诞生
音视频生成领域以往多阶段架构易致音画不同步等问题。耶鲁大学团队提出 OVI 统一范式，采用双塔 DiT 架构与分块式跨模态融合机制，实现音画同步生成，不过目前有计算开销大、音频有局限等问题。
ERNIE 5.0：走向原生统一的万亿参数多模态基础模型
过去多模态模型‘拼接式’方案存在理解与生成割裂问题，ERNIE 5.0 借此提出，用统一自回归框架做多模态理解与生成，在架构、训练与系统层面有创新，评测中各模态能力表现出色。
低延时、可交互的音频驱动肖像视频生成框架LLIA
美团提出新型音频驱动肖像视频生成框架LLIA，是低延迟、可实时交互的虚拟形象生成技术。它提出四项核心技术，引入三大核心模块，构建超100小时数据集，在多方面有出色表现。