「多工具推理」共找到 6877 篇相关文章
无限长、零掉帧！StableAvatar口型同步全新技术
当前音频驱动头像视频生成扩散模型合成长视频时难兼顾音频同步与身份一致，瓶颈在音频建模。复旦大学提出StableAvatar，首个端到端视频扩散Transformer，能无限时长生成，还介绍原理与演示效果。
浙大打造全球最大类脑计算机，拥有20亿个神经元，接近猕猴大脑规模，能运行DeepSeek
浙江大学脑机智能全国重点实验室发布全球规模最大类脑计算机“Darwin Monkey（悟空）”，用Darwin 3芯片构建，有超20亿脉冲神经元与1000亿突触连接，逼近猕猴大脑规模，能运行DeepSeek等应用。
Gemini CLI 重磅更新：现已支持音视频处理，并带来多项体验升级
Gemini CLI 迎来重磅更新，带来多项改进。新增音视频输入（暂未正式开启）、增强 Markdown 功能，集成 VSCodium 和 Neovim，技术栈升级至 Ink 6 和 React 19，还有主题更新、隐私管理等优化。
告别盲选LLM！ICML 2025新研究解释大模型选择的「玄学」
弗吉尼亚理工大学研究团队提出 LensLLM 框架，基于 PAC - 贝叶斯泛化界限揭示 LLM 微调性能“双相演进”，可精准预测微调性能、大幅降低计算成本，为 LLM 选型提供新工具。
12秒生成1万token！谷歌推出文本「扩散模型」Gemini Diffusion，研究员：演示都得降速看
谷歌将图像生成常用的“扩散技术”引入语言模型，推出Gemini Diffusion，12秒能生成1万tokens，速度比Gemini 2.0 Flash - Lite更快。它通过逐步优化噪声学习生成输出，目前是实验性演示，可申请体验。
谷歌开发者大会炸场！Agent重磅升级， A2A、SDK大更新
今天凌晨谷歌召开‘I/O 2025’开发者大会，对Agent智能体重磅升级。A2A协议更新，新增关键功能，还发布官方Python SDK；生态持续扩大，多家名企加入。此外，发布Agent Engine UI，升级Agent SDK，增强Project Mariner能力。
从模型到真实世界：具身智能落地面临哪些关键问题？
近年来具身智能成重要方向，但在真实物理世界应用有诸多技术挑战。9月11日‘基座之上’论坛将亮相外滩大会，聚焦前沿技术与场景落地，同期启动挑战赛，现专业观众报名通道已开。
CSD7Z020 + CSD9361：从射频到基带，构建完整SDR数据通路
成都华微以CSD7Z020异构SoC搭配CSD9361宽带射频收发器搭建SDR硬件平台，打通从射频到应用层的数据通路，有灵活可编程、高集成度等优势，适用于多种场景。
GCEA-YOLO：给油田装上"防火眼"，把抽烟行为检测精度拉高 20.8%
油田抽烟事故损失大，传统检测方法有局限，深度学习模型也面临难题。作者基于YOLOv11n构建GCEA - YOLO网络，含ADown、CSP - EDLAN、GFPN、EfficientHead四个模块，检测精度显著提升，还验证了泛化与稳定性，并给出复现代码。
VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测
近年来，VLA模型成通用机器人控制重要路线，但模型大、动作更新慢的矛盾凸显。华中科技大学联合华为提出TurboVLA，绕开大语言模型，形成V+L→A路径，降低成本，保持操作能力。