「音视频识别模型」共找到 8188 篇相关文章
真情实感体验了阿里「千问APP」后，为什么说它是「中国的ChatGPT」？
近日阿里推出面向全球的千问APP。从产品定位、模型能力、效果来看，它接近ChatGPT，是“中国的ChatGPT”。它打通Qwen模型和应用，界面极简，功能多，体验佳，有望让大家重新认识阿里大模型应用。
中国AIGC「全家桶」来了！三箭齐发杀入全球第一梯队
3月27日，2026中关村论坛上，天工AI发布游戏世界模型Matrix - Game 3.0、视频大模型SkyReels V4和音乐大模型Mureka V9，杀入世界第一梯队，解决行业顽疾，还发布2026 AGI战略。
阿里“闪电战”再发力，这次是千问APP
阿里在AI领域影响力大，Qwen3-Max模型能力强，开源模型Qwen3-235B在Lmarena上开源第一。新发布的千问APP成Qwen模型第一入口，功能丰富免费，体验佳，是同类产品劲敌。
DeepSeek-OCR降本增效，10×暴力压缩还能读得清
Deepseek - OCR模型发布，通过光学压缩技术解决长文本处理的计算效率问题，能控制大模型token消耗成本。介绍了其架构设计、数据引擎及训练流程，还展示其用较少token超越现有模型的能力。
Sora 2瑟瑟发抖！通义万相2.5放大招：一句话出1080P电影，音画精准同步
云栖大会上通义万相2.5系列模型亮相，包含四大模型，视频生成模型实现音画同步突破，降低电影级视频创作门槛。它创作能力全方位升级，支持多种模态输入，采用原生多模态架构。
Seedance 2.0，凭什么刷屏？
2026年2月7日，字节跳动旗下AI视频生成大模型Seedance 2.0开启内测后刷屏。它解决AI视频可用率低、成本高的痛点，引发资本市场关注，虽面临挑战，但也让AI视频成可用生产力工具。
谷歌神秘模型Kingfall泄漏！
近日，谷歌AI模型Kingfall在AI Studio平台短暂开放后意外曝光。它具备多模态处理能力，上下文窗口6.5万个token，有两种模式。生成SVG矢量图能力超Claude 4，身份猜测不断。
OCR 发生了一件反直觉的事
百度 PaddleOCR 团队的 500 万参数模型 PP - OCRv5，在文字识别准确率上可与 Qwen3 - VL、GPT - 4o 等巨无霸模型抗衡。团队挑战‘模型越大，效果越好’，认为 OCR 中数据质量比参数重要，通过实验证明并优化数据。
大语言模型逻辑评估
现有归因问答评估方法有‘归因短视’问题，研究团队提出 LOGICSCORE 框架，从三维度量化推理质量。在多数据集测试多款 LLM，发现专有、开源模型等存在不同逻辑问题，还分析典型逻辑错误。
李飞飞发布全新世界模型
李飞飞团队的World Labs发布两款新模型Marble 1.1和Marble 1.1 - Plus，能将平面照片转化为3D世界、提升画面清晰度。二者各有侧重，前者重画质优化，后者重空间生成，官方建议新用户从1.1开始用。