「音频 - 视觉模型」共找到 7886 篇相关文章
TPAMI 2026 | 北大彭宇新团队提出CPL++框架，实现视觉定位模型的「自知之明」和「自我纠错」
北大彭宇新教授团队提出CPL及进阶版CPL++框架。CPL用单模态匹配构造伪标签，引入静态验证模块；CPL++进一步自监督升级，具备纠错能力。实验显示，CPL++缩小了弱、全监督方法性能差距。
大模型开发者必读！拆解世界级AI模型的诞生，Hugging Face把4年模型训练经验写成了一本开源指南
Hugging Face发布《The Smol Training Playbook》，分享约4年构建SOTA模型和数据集的经验。手册涵盖是否训练、训练何种模型、如何训练等内容，强调数据质量重要性，还介绍了模型设计、训练中的实践与教训。
「听觉」引导「视觉」，OmniAgent开启全模态主动感知新范式
针对端到端全模态大模型痛点，浙江大学、西湖大学、蚂蚁集团联合提出 OmniAgent，它基于「音频引导」，用「思考 - 行动 - 观察 - 反思」闭环实现范式转变，在多基准测试中超越开闭源模型。
用155万模拟视频给模型上课！GVE模型一次学会9种视频检索技能
当前视频检索研究陷入困境，现有模型难以应对复杂检索需求。香港科技大学（广州）联合阿里巴巴通义实验室推出通用视频嵌入模型GVE，其在零样本设置下超越14个主流模型，全链条创新为视频检索通用化奠定基础。
Meta视觉基座DINOv3王者归来：自监督首次全面超越弱监督，商用开源
Meta推出并开源视觉基础模型DINOv3，采用自监督学习，首次全面超越弱监督，可生成高质量高分辨率视觉特征。它在多任务表现出色，参数和数据量提升，还构建模型家族，已在多领域产生实际影响。
港大联合字节跳动提出JoVA: 一种基于联合自注意力的视频-音频联合生成模型
香港大学联合字节跳动提出视频 - 音频联合生成框架 JoVA，支持音视频 Token 跨模态交互，引入嘴部区域特定损失解决口型同步问题。实验显示，它用约 190 万条数据就达先进水平。
让代码接管世界演化，西湖大学发布Code视频世界模型
西湖大学研究团队提出 Code World Model，将‘世界如何演化’和‘世界如何被看见’拆成两个互补问题，由 Coding Agent 决定世界演化，代码执行规则，视频模型转化为视觉观察，有应用潜力。
音频全能王炸！小米MiMo-Audio开源，力压Gemini/GPT-4o！
小米团队开源通用音频大模型MiMo-Audio，集多种功能于一身，支持7国语言零样本克隆和中英混合合成。首包延迟低，效果自然稳定。在多个基准测试中表现优于Gemini-2.5-Flash和GPT-4o-Audio。
ICLR 2026 | 7B小模型干翻GPT-5？AdaResoner实现Agentic Vision的主动「视觉工具思考」
文章介绍了AdaResoner模型，它学会‘何时用工具’，在拼图推理上击败GPT - 5。Google为Gemini 3 Flash引入‘Agentic Vision’，与AdaResoner殊途同归。AdaResoner有独特训练方法，提升小模型性能。
美团开源全模态，比肩顶级闭源模型，开源新SOTA
美团LongCat团队发布5600亿参数开源全模态模型LongCat - Flash - Omni，它有端到端全模态架构，能实现毫秒级实时音频 - 视觉交互。该模型训练采用渐进式策略，工程上有高效技术支撑，在多基准测试表现出色。