「视觉语言预训练」共找到 3325 篇相关文章
小红书最新开源TTS力作！4人对话自然无缝，毫秒极速响应！
近年来TTS技术爆发，但多人对话的自然流畅性和长序列稳定性一直是难点。小红书团队开源的FireRedTTS - 2是面向多人对话场景的TTS模型，实现自然切换和低延迟，支持多语言，适用于多种场景。
微软最新揭秘：「话痨实习生」AI助手，到底能帮人类做什么？
基于20万微软Copilot使用数据的研究指出，AI能支持研究、写作和沟通任务，但无法完全胜任单一职业所有任务。Copilot执行任务多为解释型，写作和信息收集任务满意度高，语言和创作类职业受影响大。
只提升2个点？我实测Claude 4.1后，发现官方在骗人
官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。
涌现之谜：AI如何像人一样思考与表达？
文章探讨AI如何像人一样思考与表达。早期自然语言处理受通用语法理论影响，但面对真实语言复杂性存在困难。人类经历第一次认知革命实现思维转变，AI也需足够大规模才能涌现复杂能力，“大”或是智能第一性原理。
阿里AI 重磅第4发：电影级MOE 视频模型Wan2.2正式开源！
阿里通义团队开源电影级视频生成模型Wan2.2，将光影、色彩、镜头语言装进模型，支持60多参数自由组合。它是业界首个用MoE架构的视频生成模型，推理省计算资源，性能超主流模型，获国外网友盛赞。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
Mem0,用LLM给智能体解决记忆问题，开源
大模型训练后知识和记忆不再增加，智能体记忆能力发展不理想。国外Mem0针对AI记忆技术发表论文并开源，提出Mem0和Mem0g两种方案，在不同场景表现出色，已获多应用，还提供SaaS服务。
Nanbeige4.2-3B：探索通用Agent小模型
在模型越做越大的当下，推理成本成了影响Agent大规模使用的关键因素。南北阁实验室推出Nanbeige4.2 - 3B，在架构、数据构造和训练pipeline层面做了系统工作，评测表现良好，还探索本地个人助手等应用。
梁文锋叫停签约，DeepSeek百亿新融资或全面暂停；白宫控月之暗面蒸馏Anthropic Fable 5遭驳；腾讯员工晒317万年终奖被辞永不录用｜Q资讯
本文汇总一周AI行业热点，有DeepSeek百亿融资或暂停、Karpathy或从Anthropic离职等消息，还涉及腾讯、360、美团等公司动态，以及多个新模型发布与技术成果。
怎么量化机器人数据价值？ATHENA将影响函数扩展到十亿参数VLA，313×加速筛选高价值数据
具身智能进入数据scaling时代，VLA模型训练中数据并非越多越好。上海交大同济等校团队提出ATHENA框架，将影响函数扩展到十亿参数VLA模型，解决计算和筛选难题，实现313倍加速，实验证明其用更少数据获更好效果。