「多模态视频生成」共找到 3306 篇相关文章
社区供稿丨揭秘端到端文档OCR模型 POINTS-Reader
腾讯开源端到端文档OCR模型POINTS-Reader，论文被EMNLP 2025主会录取。它提出可扩展数据生成方案，具简洁、性能好、高吞吐量等特点，通过两阶段训练方案解决依赖蒸馏数据问题，在多基准测试表现佳。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。
OpenAI没开源的gpt-oss基础模型，他去掉强化学习逆转出来了
OpenAI未发布gpt-oss基础模型，Cornell Tech博士生Jack Morris自行逆转gpt-oss模型强化学习，发布gpt-oss-20b-base。该模型可生成任意文本，但不再对齐，还测试了其记忆能力，介绍了诞生原理与技术细节。
画图 Prompt 两则
作者李继刚分享画图 Prompt 两则。因 Gemini Nano banana pro 画图风格太‘AI’，提出注入指定风格解腻，介绍了生成 Swiss 风格《鬼灭之刃》继国缘一战斗特写及日系下雪天初恋男女操场玩闹写真海报图的具体要求。
火了！刚刚，李飞飞2篇最新文章发布！
AI圈近期被李飞飞两篇重磅文章刷屏，一篇阐述空间智能愿景，指出当前AI缺乏空间智能，其创办的World Labs提出世界模型；另一篇论文揭示当前视频理解基准自欺欺人，还提出新基准VSI - SUPER及预测性感知新范式。
百度Qianfan-VL开源，纯国产自研昆仑芯跑出世界一流
百度开源全新视觉理解模型Qianfan-VL，有3B、8B和70B三个版本，在昆仑芯P800芯片上训练。该模型多模态能力强，OCR和教育场景表现突出，跑分超国际主流模型。芯片功耗低、架构优，模型训练方法创新。
桌面端已经过时了，这个 AI 直接在手机开了 Agent 商店
文章介绍 Macaron 应用，它有马卡龙形象的 AI 陪伴聊天功能，能记住用户习惯喜好。还可让 AI 生成手机 APP，有分享生态。其灵感库似应用商店，有经济系统，应用创建简单，完成度高，实现 AI 从工具到伙伴的进化。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
Nano Banana Pro 一键极速分镜
Nano Banana Pro能通过一个提示生成叙事型九宫格分镜，用户可构思故事或修改已有故事，还能放大分镜、提示AI修改，该流程极大提升视觉叙事速度，文中还给出提示词示例及任务要求。
AI看不到的爱心，成了最棒的AI检测器。
作者以漂浮爱心图检测AI，Gemini 2.5 Pro、GPT - 5等模型均失败。又用噪点鹿视频测试，AI准确率为0%。原因是AI是空间王者、时间瞎子，无“共同命运法则”视觉系统，存在时间盲视。