「长视频理解」共找到 2209 篇相关文章
OmniHuman-1.5：让数字人拥有“思考”的视频生成新范式
现有视频数字人模型难捕捉角色本质，字节提出 OmniHuman - 1.5 框架。其核心创新是用 MLLM 提供语义引导、提出多模态 DiT 架构和伪末帧设计，使模型融合多模态信号，生成高质量角色动画。
Alibaba力作:Ovis-U1 融合理解、生成与编辑，解锁无限可能
OpenAI 2025 年推出的 GPT - 4o 结合图像与语言能力，但引发视觉解码器设计及统一模型训练问题。Alibaba 力作 Ovis - U1 单一模型能完成理解、生成与编辑任务，介绍了其架构、训练过程和应用。
马斯克再放大招！Grok AI短视频爆火，一夜全网刷屏
今天凌晨，马斯克更新Grok App，Grok Imagine向Grok Heavy用户推出，iOS App的Imagine功能升级。其生成的视频在𝕏上火爆，众多名人盛赞，它速度快，还将让原版Vine回归，对谷歌Veo 3形成挑战。
3 天上了两个 SOTA 模型，视频 Agent 们接得过来吗？
7月31日MiniMax H3和字节跳动Seedance 2.5同日发布，3天后H3开源，8月7日Seedance 2.5开放api。模型变强使产品层要做的事更多，视频Agent需解决生产问题，竞争走向模型层之上。
LlamaIndex 深度实战：用《长安的荔枝》学会构建智能问答系统
文章兼顾 RAG 科普与 LlamaIndex 实战。介绍 RAG 原理，用《长安的荔枝》讲解关键步骤和参数。实战部分展示用 LlamaIndex 搭建问答系统，代码量少。优化篇通过实验给出参数调优建议，架构篇剖析内部机制，最后提及 Agent 化拓展功能。
复旦上线音视频模型新裁判：一万组数据对齐人类审美
现有音视频生成领域的奖励模型多依赖局部指标打分，不符合人类整体审美感受，易让模型“刷高分”却未真正提升生成质量。复旦大学团队推出VA-Judger，基于一万组人类偏好数据训练，可从整体维度判断生成质量，对齐人类审美。
从诡异视频到假论文，AI正把互联网变成巨型「垃圾场」
AI生成的诡异视频在社交平台流行，如比基尼胖女人跳水、食物自相残“食”等，背后是流量逻辑和低成本创作。更严重的是，AI生成的低质量论文渗透到学术领域，危害知识纯粹性和科研公正性。
“无限可能”AI视频竞演第二阶段结果揭晓，11部作品入围深圳路演大会
3月8日，“无限可能”AI视频竞演完成二阶段评审，11部作品从50部入围作品中选出，晋级3月14日深圳路演大会。作品经“幻镜”AI视听测评季第三季测评，结果将现场公布。
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。
基于Memory Bank的Cursor长会话记忆内存库理论研究与实践
文章围绕Memory Bank展开，介绍其为解决大模型长会话记忆瓶颈而设计的机制，包括存储、检索、更新模块。阐述其在编程和知识库建设的应用，还评测了Codelf等工具，指出Memory Bank是AI迈向智能的重要一步。