搜索：视听场景理解

「视听场景理解」共找到 2636 篇相关文章

国产AI眼镜现状，这里有份沙龙实录｜量子位AI沙龙

量子位举办AI眼镜沙龙，小米、百度等专家指出行业关键挑战刚开始。如续航与常在线矛盾，国内厂商易走错路等。还探讨了技术方案、未来趋势、应用场景等，也有圆桌对话分享挑战与机遇。

昨天谷歌发布免费开源的AI Agent Gemini CLI，可在电脑终端运行。它定位为开源AI Agent，能理解任务、制定计划和调用工具。免费额度慷慨，能力不限于编码，上手简单，但刚发布存在不稳定情况。

高考报志愿难题一直存在，天价咨询服务并非人人能享。夸克推出国内首个高考志愿大模型，免费生成志愿报告。它能理解复杂规则、把握考生需求，经多阶段训练优化，还搭载高考知识库，产品体验简便。

无监督的熵最小化（EM）方法仅需一条未标注数据和约10步优化，就能显著提升大模型在推理任务上的表现，甚至超越依赖大量数据和复杂奖励机制的强化学习（RL）。EM为大模型后训练提供了更高效简洁的新思路。

Onlook是号称‘设计师的Cursor’的开源工具，可让用户在浏览器可视化构建前端界面，通过AI驱动双向绑定实现设计与代码实时同步，还具备多项核心功能，适用于多种场景，解决设计与开发痛点。

小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%。它能完成输入视觉回答问题、做几何体等任务，重点解决多模态推理、视觉理解及与人类偏好对齐问题，介绍了模型结构、训练阶段等内容。

新加坡国立大学邵林团队提出 Manual2Skill 框架，利用 VLMs 将说明书视觉指令转化为机器人装配技能，含层级化装配图生成、分步骤位姿估计、动作生成与执行三阶段，实验验证其在多场景的有效性。

OpenAI Codex在Reddit AMA活动中，核心负责人围绕先推云端代理、GPT - 5与Operator整合等问题给出路线图。如Codex - 1预览情况、CLI设计、使用场景、安全模型、接入计费及API生态等方面都有说明。

这一年AI发展迅猛，从产品到模型都有诸多突破。在此背景下，Founder Park发起调研，寻找在技术、商业与场景融合中率先突破的关键变量，将选出50家创新机构，申报截止5月31日。

介绍新发布的开源TTS模型Muyan - TTS，它专为播客场景设计，以超低延迟实现零样本语音合成，预训练大量播客数据，支持长内容连贯生成，还介绍了使用步骤、适用场景等。