「音频-人脸交叉注意力机制」共找到 360 篇相关文章
阿里新研究：统一了VLA和世界模型
阿里达摩院等提出WorldVLA框架，融合视觉语言动作模型与世界模型。它用三套分词器编码，解决传统自回归模型问题，经联合训练，实验显示其性能优，两模型还能相互助力。
Qwen3.8-Flash-Next：SGLang Day-0 支持
2026年8月26日，Qwen团队开源多模态MoE模型Qwen3.8 - Flash - Next，它是Qwen4架构早期预览版。SGLang在发布首日就提供完整支持，模型架构多方面升级，亮点众多，还给出启动命令及配置建议参考。
近 2w Star，隐私优先，打工人新选择！
云端AI会议工具存数据泄露风险，Meetily项目主打100%本地处理，解决隐私短板。它是开源AI会议助手，能实时转录音频、区分说话人、生成摘要，数据不离开设备，在GitHub获近2万Star。
全球第一！ 中国模型登顶榜首，首个可编辑AI语音来了
中国AI语音ViiTorVoice登顶全球语音权威评测榜单Seed - TTS，首创「局部编辑」能力，解决语音无法局部编辑痛点。实测效果惊艳，还具备精准情绪控制、无参考文本克隆等能力，部分模型已开源。
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
突破一亿Token极限：EverMind提出MSA架构，实现大模型高效端到端长时记忆
机器之心发布文章介绍，大模型长期记忆能力受限于上下文长度。《MSA: Memory Sparse Attention for Efficient End-to-End Memory Model Scaling to 100M Tokens》提出MSA架构，突破扩展性、精度和效率的不可能三角，实现100M长度的大模型长时记忆框架。
对话 Befreed 创始人：从「个人学习」切入的 AI Agent，把学习变成一种生活方式
文章对话 Befreed 创始人 Jisong Liu ，介绍其以「强个性化学习 Agent」为核心的音频学习产品，它能把零散学习累积成知识路径，采用订阅制，有付费转化，还分享了创业、社媒运营等经验。
大象秒变挖掘机！三维变形新突破，无需额外训练 | CVPR'26
南京大学与北京大学提出MorphAny3D，无需额外训练即可让三维生成模型实现跨类别平滑变形。它通过创新注意力机制融合源与目标特征，精准控制结构与时序，效果远超传统方法，代码已开源。
AAAI 2026杰出论文奖 | ReconVLA：具身智能研究首次获得AI顶级会议最佳论文奖
具身智能常被视为‘系统工程驱动’研究方向，ReconVLA获AAAI杰出论文奖，是具身智能方向首次获AI顶级会议最佳论文。它解决VLA模型关键瓶颈，通过重建式隐式视觉定位机制，实验效果显著。
罗福莉携小米MiMo-V2-Flash首次亮相：一次在推理与Agent上的下注｜甲子光年
大模型进入新阶段，效率成能力一部分。小米MiMo团队12月16日晚发布并开源MiMo - V2 - Flash，负责人罗福莉首亮相。该模型在推理、编程和智能体场景表现出色，在架构、训练方法等有创新。