「音视频智能」共找到 4253 篇相关文章
Self-Forcing++：让自回归视频生成模型突破 4 分钟时长极限
加州大学洛杉矶分校与字节Seed等团队联合完成Self-Forcing++，让自回归视频生成模型突破4分钟时长极限。它解决传统模型架构缺陷，经三步技术实现稳定超长视频生成，实验超基线，但仍有长时记忆缺失等问题。
谷歌全新Gemini Omni首曝，视频版「香蕉」来了！教授黑板推公式全对
谷歌原生视频模型Gemini Omni意外曝光，其生成视频的连贯性、一致性惊艳，还能实现实时编辑。此前OpenAI的Sora App停服，谷歌I/O 2026将开幕，多款Gemini模型或亮相。
多智能体自主规划模式性能提升：五大精准策略详解
本文基于多智能体React模式实践，剖析自主规划架构挑战，如工具调用延迟等。提出五大优化策略，像用流式XML替代FunctionCall、合理压缩上下文等，还介绍创意加速器AI绘画创作功能，为多智能体规划模式提供借鉴。
AAAI 2026 | 北航、东京大学填补AI「语义鸿沟」，过程感知视频理解如何找到「状态」锚点？
北航陆峰教授团队联合东京大学，提出视频理解新框架 TSS，引入“状态”作视觉锚点，解决抽象文本指令与具象视频对齐难题，已被 AAAI 2026 接收，代码已开源。
刚刚，蝉联Future X全球榜首的MiroMind发布全球最强搜索智能体模型
由陈天桥和代季峰联合发起的 MiroMind 团队，于 1 月 5 日发布自研旗舰搜索智能体模型 MiroThinker 1.5。该模型参数规模小但性能强，其核心是「发现式智能」理念，还采用了新训练技术，有 A 股涨停板预测等应用。
13.8K star！！6G显存就能跑的AI视频神器，支持1分钟生成，这么6？！
现在AI视频生成领域仍面临高算力需求挑战，斯坦福大学研究团队推出`FramePack`项目，降低了本地AI视频创作硬件门槛，有低硬件需求、高效生成速度等特色，操作也简单。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google将Gemini 2.5 Pro更新为05 - 06版，此版代码能力在WebDev Arena盲测竞技场登顶，还提升视频理解能力，可将视频变成可视化网页，虽产品有不足，但模型进步值得肯定。
网页智能体新突破！引入协同进化世界模型，腾讯AI Lab提出新框架
腾讯AI Lab提出WebEvolver框架，引入协同进化的世界模型，让智能体在真实网页环境中性能提升10%，突破现有基于LLM的网页智能体瓶颈，还通过实验验证了其有效性和对网页状态变化的预测能力。
Agent 2.0时代来了，首批「工业级智能体」正在核心位置上岗
近日科技圈感叹AI工具提升效率，谷歌工程师分享使用智能体经历。1月7日阿里云百炼全面升级，开启智能体‘工业化流水线’时代，解决技术落地问题，发布企业版，推动人机协同时代到来。
在失败中进化？UIUC联合斯坦福、AMD实现智能体「从错误中成长」
伊利诺伊大学厄巴纳 - 香槟分校等团队发布论文，剖析LLM智能体失败机制，提出可自我修复的创新框架AgentDebug。研究指出智能体常见失败类型，构建错误分析体系、数据集，实验显示该框架效果显著，为AI可靠性提供方案。