「视频表征自编码器」共找到 1094 篇相关文章
终于有AI视频模型，解决了体操难题。
前天深夜MiniMax发布Hailuo 02视频模型，虽未正式上线但放了预告片。该模型能生成杂技动作，解决了体操难题，在复杂动作肢体表现上吊打其他模型，还支持原生1080P，价格便宜。
MoCa：首个大规模双向多模态表征模型
为解决VLM用于嵌入的痛点，中国人民大学等机构研究者提出MoCa框架，可将单向注意力VLM训练成双向多模态编码器。它分两阶段，实验效果好，未来可拓展模态、提升多语言适应等。
AI 视频生成时代，留给人类的只有演技？
社交媒体疯传AI换脸视频，可实现零成本「无限角色互换」，还能精准捕捉微表情。快手Kling Motion Control等工具受关注，能低成本完成专业镜头。价格亲民，技术进步大，但也引发诈骗等担忧。
演讲生成黑科技，PresentAgent从文本到演讲视频
联合团队提出 PresentAgent，能将长篇文档转化为带解说演示视频。采用模块化流程，还引入 PresentEval 评估框架。实验显示其接近人类表现，优于现有方案，展现了多模态智能体潜力。
OpenVision 2：大道至简的生成式预训练视觉编码器
多模态大模型浪潮中，视觉模块是关键。此前OpenVision训练管线复杂，成本高。研究者提出OpenVision 2，移除文本编码器与对比学习，引入随机丢弃视觉token技巧，性能佳且效率高，挑战了对比学习范式。
Sora 关停背后：为啥它没跑成“视频版 ChatGPT”？
OpenAI Sora 宣布关停，其评论区评价两极分化。它没跑成“视频版 ChatGPT”，问题在于使用频率、成本结构和产品形态。关停或与 OpenAI 筹备 IPO 有关，未来 Sora 团队将推进相关研究。
世界模型一口气输出小时级视频不跑偏，开源了
Alaya Lab等联合推出的Alaya - EVOKE能生成小时级视频，解决常见问题。它把记忆搬到模型外，改造教师模型，经多轮技术操作，实验成绩佳，给出清晰训练方案，也指出项目边界。
全网实测Gemini Omni！一句话改视频，草图变大片
谷歌在Google I/O大会推出Gemini Omni，它结合推理与生成能力，在多方面有重大飞跃，能生成逼真视频等。它打破命名体系，训练目标不同，有涌现能力，谷歌还为其设置限制。
LeCun出手，造出视频世界模型，挑战英伟达COSMOS
训练有效世界模型面临数据、任务难度、算力消耗和评估等难题。Meta研究者提出通用视频世界模型DINO - world，可预测未来帧，在多方面有优势，实验显示其性能显著，能降低对标注数据需求。
Figure机器人分拣快递新视频曝光，网友：太像人类
Figure 02机器人开启打工模式，创始人放出其分拣快递新视频，它动作流畅像人类，由端到端通用控制模型Helix自主驱动。此前它还在宝马生产线连续20小时轮班作业，Figure与OpenAI分道扬镳后推出Helix。