「多模态融合」共找到 1381 篇相关文章
原来Veo 3早有苗头！人大联合值得买科技在CVPR 2025提出全新「图像到有声视频」生成框架
中国人民大学与值得买科技团队在CVPR 2025提出JointDiT框架，可从静态图像生成同步音视频。此研究定义图像到有声视频生成新任务，解决音视频融合难题，实验显示其效果优，还将拓展至四模态建模。
具身智能迈入下半场，RoboMemArena全面评测机器人记忆系统
香港科技大学（广州）等多机构打造具身智能评测基准 RoboMemArena，突破传统局限，构建综合评测体系，配套真机测评。它提供多模态标注，任务长程多样，开源资源易用，PrediMem 在其上表现出色。
“双英”同框解释“算力联姻”：眼前的恩情未来的路
北京时间9月19日凌晨，英伟达黄仁勋与英特尔陈立武同屏直播，解释英伟达50亿美元入股英特尔事宜。双方将融合技术，构建AI计算基座，瞄准近500亿美元市场，投资也会影响产业竞争格局。
字节豆包2.0重磅发布！成本暴降一个数量级，Seed团队揭秘视频Agent竞争关键
今天，字节正式发布豆包大模型 2.0 系列，围绕大规模生产环境需求优化，提供多款通用 Agent 与 Code 模型。其成本优势明显，多模态能力升级，未来将聚焦长链路智能系统构建。
刚刚，全球视频模型新王诞生了！
天工AI的SkyReels-V4直接登顶Artificial Analysis文转视频全球榜，超越Veo 3.1、Sora 2。其相比之前有两大核心升级，让视频生成从‘生成片段’走向完整视频生产，还应用于短剧平台DramaWave。
人类秒懂，AI崩溃：一个简单测试，就让GPT-5、Gemini等顶级模型集体“翻车”
来自多机构研究团队发现，OpenAI的GPT-5等顶级AI模型，面对‘看得见但读不懂’文字时表现极差。VYU团队实验显示，人类能轻松读懂的切分拼接文字，AI却全军覆没，原因是其靠模式匹配，不懂文字结构。
“十五五”时期中国芯片三个着力点
中国集成电路产业近十年‘自主可控’取得阶段性成果，但也面临风险挑战。‘十五五’时期，产业应推动供应链从自主到全球融合赋能、创新链从跟随到技术主权觉醒、产业链从脱节到全链协同共振。
Github 4.1k star,SuperSonic AI×BI 大厂震撼开源
SuperSonic 是腾讯音乐开源的下一代 AI+BI 平台，融合 Chat BI 与 Headless BI 两种范式。它解决了传统 BI 工具复杂、数据口径不统一等痛点，有丰富功能和技术优势，适用于多业务场景，开源优势明显。
腾讯纯文本LLM训视觉encoder，拿捏图表长视频，达到开源小模型SOTA！
腾讯开源Penguin - VL，直接用纯文本LLM训视觉编码器，跳出传统多模态拼接套路。在2B/8B紧凑参数规模的复杂任务中竞争力强，训练分三阶段，相关代码、模型等已开放。
推理与操控能力双提升！具身机器人双系统VLA模型新突破
香港中文大学等联合提出Fast - in - Slow（FiS - VLA）统一双系统VLA模型，实现快慢系统融合。在真机和仿真测试中，成功率和控制频率提升显著，泛化能力强。未来计划探索动态调参机制。