「视频大语言模型」共找到 8227 篇相关文章
超越纯视觉模型！不改VLM标准架构，实现像素级深度预测
Meta开源DepthLM，首证视觉语言模型不改架构，也能媲美纯视觉模型的3D理解能力。它通过视觉提示等策略，解锁VLM多任务处理潜力，为自动驾驶等领域带来前景。
AI Coding新王登场！MiniMax M2.1拿下多语言编程SOTA
MiniMax发布旗舰级Coding & Agent模型M2.1，在Multi - SWE - bench榜单中以10B激活参数拿下49.4%成绩，超越竞品成SOTA。它解决模型‘偏科’问题，适配开发工具链，实测在多语言编程任务中表现出色。
超越纯视觉模型！不改VLM标准架构，实现像素级深度预测
Meta开源DepthLM，首证视觉语言模型不改架构就能媲美纯视觉模型的3D理解能力。通过视觉提示等创新策略，它精准完成像素级深度估计等任务，为多领域带来前景。
国内首篇！融合语言模型的多模态触觉传感器，推动机器人触觉迈向人类水平
清华大学丁文伯团队联合多机构，受鸽子感知机制启发研发仿生多模态触觉传感器 SuperTac，构建 8.5B 参数触觉语言模型 DOVE，成果发表于《Nature Sensors》，推动机器人触觉迈向人类水平。
Mistral的首个强推理模型：拥抱开源，推理速度快10倍
本周二，欧洲人工智能公司 Mistral AI 发布全新大语言模型 Magistral 系列，有企业版 Magistral Medium 和 24B 参数开源版 Magistral Small。它推理强、多语言表现好，速度比竞品快 10 倍，应用于主流云平台，成本有竞争力。
拍我AI V5模型发布，AI视频的“不可能三角”被解开了？
拍我AI推出V5模型，一上架就到Artificial Analysis榜单前列。它在多维度升级，维持速度和性价比优势，试图解开AI视频生成“不可能三角”。文章实测其运动、二次元、商业等场景表现，还提及速度与价格优势。
性能大涨！阿里开源新版Qwen3模型，霸榜文本表征
今日凌晨阿里开源Qwen3-Embedding和Qwen3-Reranker两款新模型，专为文本表征等任务设计，支持119种语言。测试显示其性能出色，在多语言文本表征和排序任务中超越众多模型，还采用了多种创新设计与训练方法。
刚刚，创智+模思发布开源版Sora2，电影级音视频同步生成，打破闭源技术垄断
今天上午，上海创智学院 OpenMOSS 团队与模思智能发布端到端音视频生成模型 MOVA，它是中国首个高性能开源音视频模型，能实现音画同出，全栈开源打破闭源技术垄断。
Sora2不够香了！这款国产AI视频模型已经能边看边生成，生成快还互动佳
国内AI视频玩家弯道超车，百度蒸汽机（文心专精版）开卷实时流式生成。它能边看边生成，生成快还互动佳，实现生成迅速、实时交互、无限续写，重新定义AI视频生成领域。
AAAI 2025 Oral | 火山引擎多媒体实验室提出VQ-Insight，AIGC视频画质理解大模型
火山引擎多媒体实验室与北大合作论文《VQ-Insight: Teaching VLMs for AI-Generated Video Quality Understanding via Progressive Visual Reinforcement Learning》入选AAAI 2026口头汇报。VQ - Insight用渐进式框架处理AIGC视频画质理解，实验表现卓越。