「视频大语言模型」共找到 8321 篇相关文章
ICML 2026 开幕，清华团队获最佳论文奖，DeepMind 经典巨作拿下时间检验奖
2026年7月6日，第43届国际机器学习大会（ICML 2026）在韩国首尔开幕，投稿规模与录用总数破纪录。会上，清华黄高团队论文获杰出论文奖，指出扩散语言模型“灵活性陷阱”；还有多篇论文获荣誉提名，另有立场论文、时间检验奖等揭晓。
无损减少80%激活值内存，提升5倍训练序列长度，仅需两行代码
港中文（深圳）和上海交通大学团队提出 StreamBP 算法，通过线性分解和分步计算，将大语言模型训练激活值内存降至梯度检查点的 20%，在相同内存下最大序列长度为其 2.8 - 5.5 倍，代码已开源。
拓宽百年奥运「赛场边界」，阿里云AI让人人皆可上场
阿里云作为2026年米兰冬奥会官方云服务合作伙伴，联合发起全球AIGC大赛，用万相大模型生成冬奥视频参赛。万相Wan2.6性能出色，在画质、叙事等方面表现成熟，让普通人也能在奥运体验中当主角。
看完Kimi K2.5技术报告，它的视觉Agentic真给我惊到了
Moonshot AI发布Kimi K2.5技术报告，该模型将文本和视觉打通，有并行执行的智能体集群系统。它采用Joint Training，提出“Zero-Vision SFT”，用MoonViT - 3D处理图像和视频，开源后受欢迎，展示通用智能体可能。
工具增强的多模态LLM综述
多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。
Sora 2 中国首测？Open AI 这次真成了！
OpenAI提前发布Sora 2模型，可克隆音色，支持多语言。还推出似AI版抖音的社交APP，免费生成视频。测试显示，它有世界知识，能多参生成、自动切镜头，在多方面表现出色，但版权限制严，部分一致性待提升。
第一章：AI 技术前沿全景
文章聚焦AI Agent技术前沿，阐述大语言模型三次能力跃迁，从涌现能力到对齐指令遵循，再到推理与行动。还提及Scaling Law变化，推理时计算扩展更划算，介绍代表性推理方案及多模态融合，指出Agent打破传统对话AI局限。
Java 世界的 MCP：将架构策略应用于 LLM 集成
文章指出大语言模型成企业架构组件，但当前集成脆弱。MCP 引入标准化方法，Java MCP SDK 能将其与企业架构融合。文中探讨 MCP 及其 SDK，分析其设计、应用、权衡等，还给出企业运营助手案例。
拳打可灵，脚踢 Veo 3，谁是物理世界的「懂王」？
多模态视频生成大模型是复杂系统工程，多为巨头游戏。MiniMax的Hailuo 02发布，ELO得分超谷歌Veo 3和快手Kling 2.0。它能呈现复杂运动，处理物理关系，提升训练推理效率，成本低，后续还将更新。
刚刚，Thinking Machines Lab首次发长文，揭开LLM推理不确定性真相
Thinking Machines Lab发长文《克服LLM推理中的不确定性》，指出大语言模型推理不确定性的真正元凶是缺乏批次不变性，还解释核函数计算中数字加法顺序问题，介绍使核具有批次不变性的方法并给出实验结果。