「视听场景理解」共找到 2628 篇相关文章
OiiOii意外走红背后：为何10万人排队等一个不完美的AI Agent？｜甲子光年
OiiOii是成立不到半年、团队仅十余人的初创公司，产品尚处内测，却引来近10万人排队申请。创始人闹闹有丰富履历，不回避产品缺陷，公司已获天使轮融资，将全力投入迭代。
暴涨3倍！18-34岁占比反降15%：这届中年人开始占领AI
数字数据公司Similarweb发布《2025生成式AI全景报告》。显示全球GenAI平台访问量、App下载量增长，用户年龄层拓宽。ChatGPT跻身全球前五，与谷歌等形成新生态，市场走向多元，AI应用场景不断拓展。
Human In the Loop竟然可以是个MCP?
文章基于阿里实践，阐述如何在大模型研发平台OpenLM及其他Agent平台，针对“Human In The Loop”场景做产品设计与研发。介绍用MCP实现人机回路的方案，还探讨人类回答及提示词倾向性等问题。
仅有一位作者的论文，却补上了城市智能的「最后一公里」
郑宇教授用论文提出跨域多模态知识融合框架，在空气质量推断等多场景优势明显，其研究按数据选择等四阶段进行，解决数据难题，推动AI用于城市问题，为跨部门协作提供可能。
Nano Banana Pro或将引爆新安全危机
基于Gemini 3的图像生成模型Nano Banana Pro昨日上线，支持2K/4K分辨率生成，排版和文字控制能力提升。它展现出复杂推理能力，能理解反光、推理指纹，但这或带来隐私危机。
金山与华科发布多模态模型MonkeyOCR v1.5：文档解析能力超越PaddleOCR-VL，复杂表格解析首次突破90%
2025年6月以来多模态文档解析成前沿课题。MonkeyOCR v1.5是全新框架，在OmniDocBench v1.5等基准上全面突破，复杂表格等场景提升9.7%，采用两阶段解析管道和复杂表格处理方案。
识别1600+种人类语言，支持少样本扩展到5400+种语言，Meta自动语音识别模型开源
Meta AI发布Omnilingual ASR自动语音识别模型并开源。它能转录超1600种语言，含500多种首次被AI理解记录的语言，还可通过少样本扩展到5400多种，改变了多语言ASR构建范式。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
美团新独立APP，点不了菜只能点AI
美团新开源LongCat-Flash-Omni模型，支持多模态，在全模态基准测试达开源SOTA水准，推理快且全模态能力强。实测交互体验丝滑，其迭代逻辑清晰。该模型成功源于架构创新，美团靠软硬件结合实现虚实连接。
Sea AI Lab 揭秘：你费尽心力调的 LLM 一直在崩溃？罪魁祸首可能只是一个参数：BF16
Sea AI Lab 和新加坡国立大学研究指出，强化学习微调中训练不稳定和性能瓶颈，根源是数值精度 BF16。其低精度造成“训练 - 推理不匹配”，使训练易失败。将精度切换到 FP16 可解决问题，提升模型表现。