搜索：多主体视频生成

「多主体视频生成」共找到 2699 篇相关文章

打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%

基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。

在 InfoQ 举办的 QCon 全球软件开发大会上，字节跳动段潇涵介绍如何基于大语言模型构建智能编程助手。他分享实践经验，剖析研发痛点，介绍技术架构，还探讨未来发展方向，如认知增强、工具整合等。

Meta训出70亿参数「视觉巨兽」DINOv3并完全开源。它用自监督学习，无需人工标注，可生成强大图像特征，在多任务超专用方案，NASA已用其探索火星，还能推动多行业进步。

在计算机视觉领域，获取带标签数据成本高、耗时长。开源项目 lightly-train 用未标记图像和视频自监督预训练，减少标注成本与时间，可集成到现有训练管道，支持多种模型架构和应用场景。

西门子在工业AI领域成果显著。其工业智能体系统贯穿工业脉络，Industrial Copilot提升开发效率。工业基础模型扎根150PB工业数据，与主流大模型路径不同。西门子靠数据和行业know - how构筑护城河。

微软研究AI for Science团队推出BioEmu，能模拟蛋白质在平衡状态下的各种可能结构集合。它输入蛋白质序列就能生成大量结构样本，预测性质，速度比传统方法快10万倍，已开源助力药物研发。

文章指出传统提示工程控制大模型生成行为有缺陷，提出Steering Target Atoms (STA)方法。它用稀疏自编码器分解LLM高维表示，定位“原子知识组件”精准控行为，实验效果超现有技术，还能控制推理长度。

北京时间7月8日晚，智元机器人相关主体拟21亿收购上纬新材63.62%股份，交易完成将成绝对控股股东，有望成A股“人形机器人第一股”。智元成立2年多，产品多元且已完成9轮融资。

多图像、长视频让大型视觉语言模型推理成本暴涨，成算力瓶颈。腾讯AI Lab联合CMU提出VScan，通过两阶段视觉token筛选机制，在几乎不损性能的前提下实现推理加速，且已在GitHub开源。

甲子光年智库基于调研数据开展AI产品用户研究，分析目标用户界定、类型细分与画像。指出新一代AI会重塑用户习惯，需探寻产品最终形态，还给出用户需求、类型分布等多方面结论。