搜索：视频大语言模型

「视频大语言模型」共找到 8396 篇相关文章

锁定角色，「多主体」也可控！个性化文生图，给你PS般交互体验

LayerComposer革新个性化图像生成，能让用户如在Photoshop般操控元素位置、大小，解决传统方法交互性与多主体扩展难题。它有分层画布、锁定机制、模型–数据共设计三大特点，实验表现出色，未来将促进人机协同创作。

小米团队开源通用音频大模型MiMo-Audio，集多种功能于一身，支持7国语言零样本克隆和中英混合合成。首包延迟低，效果自然稳定。在多个基准测试中表现优于Gemini-2.5-Flash和GPT-4o-Audio。

谷歌去年发布世界模型Genie 3，支持实时生成可交互视频内容，因成本高未开放。现美国18岁以上Ultra用户可试玩，其操控延迟低、画面清晰、物理交互真实，还介绍了操作流程等。

Champ项目致力于从一张静态人物图生成人体动画，将3D参数化人体模型引入扩散模型。它解决了传统动画效果不真实等痛点，有诸多核心功能，技术优势明显，在多领域有高应用价值。

大语言模型发展中，上下文长度成关键瓶颈，主流架构计算开销大。清华刘知远团队提出《InfLLM-V2: Dense-Sparse Switchable Attention for Seamless Short-to-Long Adaptation》，提出可切换注意力框架，为长上下文研究提供新思路。

Windows MCP 是轻量级开源项目，能让 AI Agents 与 Windows 无缝集成。它弥合大语言模型与 Windows 差距，可执行文件导航等任务，有诸多关键特性，还给出在 Gemini CLI 和 Claude Desktop 的配置方法。

Podcastfy是开源Python工具，能把文本、图片等多模态内容，借生成式AI转化为播客。它支持自定义，适配多种语言和文本转语音模型，能生成2 - 5分钟或30分钟以上的播客，使用体验比NotebookLM好。

Eka Robotics 发布机械臂视频，其能自主拧灯泡、抓取物品。该公司提出 VFA 模型，不依赖人类数据，让机器人在仿真环境自主探索。创始人期望实现超人级灵巧操作，算法还展现泛化和自主发明策略能力。

在检索增强生成系统中，稠密检索器是核心组件，但传统训练方法有局限。德国达姆施塔特工业大学蔡丰宇团队提出Revela，将检索器训练目标统一到语言建模框架，优势明显，实验效果佳。

Salesforce创始人放出全新Optimus视频，其金色外观、类人手部引关注，网友猜测Optimus 3要来了。马斯克称今年目标产5000台，2026年达5万台。同日，Figure公司的02能自主装碗入洗碗机。