「视频大模型」共找到 9613 篇相关文章
AI学会梦里干活！Claude发布3大进化，Dario：单人公司10亿美金爆发
在 Code with Claude 大会上，Anthropic 为 Claude Managed Agents 上线三项功能。‘做梦’解决记忆退化，成果评估自动检查工作，多 Agent 协作让复杂任务分工处理。Dario 称 AI 时代单人公司或达 10 亿美金营收。
微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！
2025 年大家致力于解决 AI「嘴巴」问题，追求实时流式对话。微软刚开源轻量级 TTS 模型 VibeVoice-Realtime - 0.5B，参数虽小但能边输入边朗读，有诸多特点和广泛应用场景。
对话上交大程远：AI的终局不在云端，而在“感算一体”的物理世界
文章围绕端侧 AI 展开，以上海交通大学程远研究为例，探讨其技术方向“感算一体”，还提及 Agentic AI 热潮，对比其与大模型热区别，阐述端侧与云端关系，及光计算等底层硬件创新对智能设备的影响。
给文档质量"打分"：DIQA-5000 数据集与融合版面语义的 DocIQ 质量评估模型
文档图像质量评估（DIQA）是评判‘增强算法有没有把图变好’的关键工具。过去研究多围绕自然图像，缺文档专用数据集。本文提出DIQA - 5000数据集和DocIQ模型，补齐缺口。
AI x 大前端性能稳定性：快手亿级 DAU 下的智能诊断实践
本文整理自快手移动端稳定性负责人李锐在 2025 年 QCon 大会的分享。介绍快手大前端性能稳定性挑战，阐述借助「柯南 AI」赋能排障的实践，含根因排障和应急处置案例，还谈了开发中思维切换等认知。
对话 Roto：让视频实时可交互、足够个性化，我们要做 AI 时代的 Netflix
Roto定位是全球首个互动开放世界视频平台。创始人David Xu曾就职独角兽企业，涉足多模态生成。团队经多次方向调整，决定大胆探索极致创新。目前产品技术不成熟，但已探索新内容形式，还将在广告实现商业闭环。
百度0.9B参数模型登顶全球第一，聊聊PaddleOCR-VL背后的技术细节
百度PaddleOCR-VL模型仅0.9B参数，在OmniDocBench V1.5榜单获92.6分全球第一，在多能力维度达业界最佳，能处理109种语言。其采用两阶段架构，结合优质训练数据，实现高性能与低内存、快速度的平衡。
CVPR Highlight｜让无人机学会自己认路+锁位目标，国防科大给出一套新解法
国防科技大学 SAW Lab 团队联合多高校推出无人机实时地理定位系统「PiLoT」，首次仅靠单目 RGB 序列在 GNSS 拒止环境完成无人机及目标定位，性能达先进水平，成果被 CVPR 2026 接收。
原生理解生成统一：商汤开源SenseNova U1，用统一架构终结「缝合怪」多模态
商汤开源日日新 SenseNova U1 系列原生理解生成统一模型，采用 NEO-unify 架构，只需 8B 小参数就能实现很多商业闭源模型效果。在多测评维度性能领先，还能实现连续性图文创作输出，解决理解与生成断层问题。
刚刚，OpenAI拿下IOI金牌，仅次于前五名人类选手！参赛推理模型才夺得IMO金牌
2025年国际信息学奥林匹克（IOI）中，OpenAI推理模型获金牌，在AI参赛者中排第一，得分仅落后5位人类选手。其未专门训练，成绩较去年大幅提升。此前它在IMO也获金牌级别成绩。