「长视频理解」共找到 2209 篇相关文章
LeCun预言成真！790年长视频，炼出最强开源「世界模型」
2025年‘世界模型’成AI巨头战场，谷歌、李飞飞团队等纷纷布局。上周北京智源研究院发布Emu3.5，340亿参数，基于790年长视频数据训练，其架构优越，推理快，能力强，还公开技术报告邀全球探索。
当AI小说遇上短视频：这款神器让你1秒变导演！
作者小G推荐开源项目TaleStreamAI，它能将AI小说片段转为电影感短视频，具有全自动处理等功能，官方提供一键安装包，对创作者、程序员等有不同价值，开发者还在招募人员。
3D-R1：让AI理解3D世界的下一步
文章介绍新研究3D - R1，它是更通用、具推理能力的三维视觉语言模型，解决了当前3D VLM空间理解不足与推理能力薄弱问题，在多任务测试领先，有广阔应用前景。
CVPR 2026 | 1000万段驾驶视频，教会模型如何估计相机位姿
Wayve的LA - Pose研究，不依赖百万级3D标注，从约1000万段未标注驾驶视频自监督学习‘潜在动作’，再用少量3D标注微调，转化为相机位姿估计能力，在多基准上提升精度且泛化能力强。
X-Actor 惊艳登场！长时唇动+情感同步人像动画生成
字节提出 X - Actor，一个音频驱动自回归扩散框架，能通过一张静态参考图像和一段音频生成逼真、富有情感表达的人像动画视频。其核心是两阶段解耦生成流程，实现长时间唇形同步与情感音频一致性。
Waver：面向统一图像与视频生成的高性能基础模型
字节提出的Waver是面向统一图像与视频生成的高性能基础模型，支持T2V、I2V、T2I。它引入新架构、结合筛选流程与质量模型。虽有局限，但表现出色，架构设计独特，功能多样。
MiniMax 技术闭门会分享：长上下文是 Agent 的 Game Changer
MiniMax 7月10日举办M1技术研讨会，探讨模型架构创新等领域。会议围绕RL能否赋予模型新能力、预训练价值等展开，指出长上下文是Agent的Game changer，混合架构将成主流，还分享了混合架构推理实践及M1相关问答。
拒绝视频生成，深度跃迁提出具身基座模型全新路线
深度跃迁发布世界动作模型 DELE - w0.5，放弃基于视频生成模型的路线，训练时联合学习动作与未来世界表征，推理时移除该表征分支。在真机实验中表现超基线，具跨背景泛化能力，为世界模型提供新思路。
重磅！鸿蒙平台首个全跨端APP ——腾讯视频ovCompose框架发布
腾讯视频团队推出跨平台开发框架ovCompose，弥补Compose Multiplatform不足。还推出KuiklyBase，涵盖多项鸿蒙适配等建设。该框架有高性能、支持混排等优势，已开源，未来将持续优化。
LiveWorld：视频世界模型新范式，让镜头之外的世界继续演化
现有视频世界模型存在“静态世界假设”，物体离开视野后状态不再更新。阿德莱德大学等研究者提出 LiveWorld，将世界演化与观察渲染解耦，使事件在视野外持续推进，并通过实验验证其有效性。