搜索：多模态视频生成

「多模态视频生成」共找到 3291 篇相关文章

用子模优化法为DeepResearch生成多样性查询

开发DeepResearch时，生成多样化查询是关键。多数开源项目处理方法粗放，本文提出结合句向量与子模优化的方法，设计子模目标函数，给出代码实现，实验显示该方法生成的查询组合多样性更高。

AI 正从「文字聊天」走向「边看边聊」，传统实时视频通信难以满足需求。北大团队提出 Artic 框架，重构码率自适应等，实验显示其能显著提升准确率、降低延迟。

多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。

香港科技大学等团队提出 PhysToolBench，用于衡量多模态大模型对物理工具的理解。它将理解分为三个等级，测试 32 个模型，揭示了大模型在工具理解上的不足，也为未来发展指明方向。

右兔去水印工具，一键解析全网短视频，无需广告，免费下载，支持高清原画质。

微软开源视频录制技能 Skill Recorder，能将用户完成任务的过程转化为 AI 智能体可重复执行的技能。它捕获屏幕工作会话，用 GitHub Copilot CLI 重构操作，生成可复用内容，支持多平台。

复杂视频剪辑工具对非专业人士和AI Agent不友好，HeyGen开源的HyperFrames是视频渲染框架，可让AI Agent用HTML做视频。该项目更新频繁，有HTML原生、为AI设计等特点，文末附项目链接。

腾讯无极低代码平台提出‘前端多模态智能’概念，让AI输出内容更多样，可嵌入交互页面片。它还给出四步配置法实现‘多模态聊天’，与MCP形成互补，能增强信息交互和用户掌控感。

DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。

Pixelle-Video是一款AI剪辑神器，输入主题就能自动完成视频创作，零门槛。它采用模块化设计，流程清晰，各环节可灵活定制。支持多种AI模型、TTS方案，有丰富功能亮点。