「长视频理解」共找到 2209 篇相关文章
美团提出全新多模态统一大模型STAR，GenEval突破0.91，破解“理解-生成”零和困局
近日美团推出多模态统一大模型 STAR，以“堆叠自回归架构 + 任务递进训练”实现理解与生成双重突破。它解决行业痛点，通过三大核心设计统一能力，实验在多任务中表现顶尖，还给出后续探索方向。
ICML 2025｜多模态理解与生成最新进展：港科联合SnapResearch发布ThinkDiff，为扩散模型装上大脑
现有扩散模型缺乏多模态推理创作能力，在算力和数据不充裕时实现该功能是难题。ICML2025上，港科联合SnapResearch提出ThinkDiff，以较少资源让扩散模型有思考能力，开辟多模态理解生成新路径。
腾讯开源混元世界模型1.1，视频秒变3D世界，单卡推理仅需1秒
腾讯发布并开源混元世界模型1.1，是统一的端到端3D重建基座大模型。它支持从多视图或视频一键生成3D世界，单卡秒级推理完成高精度重建，性能达SOTA，还具多特性，打破技术壁垒。
AI教父辛顿上海WAIC主题演讲：LLM真的理解语言，数字智能极其危险，可以无限复制
AI教父杰弗里·辛顿在WAIC开幕式演讲，对AI发展警惕且悲观。他认为LLM真理解语言，数字智能与生物智能差异大，AI进化快很危险，人类应全球合作研究让AI向善。
ICCV 2025 | 清华&腾讯混元X发现「视觉头」机制：仅5%注意力头负责多模态视觉理解
本文聚焦多模态大模型，提出基于 OCR 任务量化注意力头视觉偏好的方法，发现仅不到 5%“视觉头”主导视觉理解。还提出 SparseMM 策略优化 KV - Cache 资源分配，经多基准评测，性能和效率表现优。
首次实现第一视角视频与人体动作同步生成！新框架攻克视角-动作对齐两大技术壁垒
新加坡国立大学等联合发布EgoTwin，首次实现第一视角视频与人体动作联合生成，攻克视角 - 动作对齐与因果耦合瓶颈。它基于扩散模型，通过三大创新设计解决核心难题，实验性能超基线，为多领域应用提供落地基座。
QwenLong-L1.5发布：一套配方，三大法宝，让30B MoE模型长文本推理能力媲美GPT-5
通义文档智能团队推出QwenLong - L1.5，提供长文本推理后训练“配方”，含数据合成管线、强化学习方法和智能体架构。通过三大“法宝”重塑模型能力，效果显著，相关代码已开源。
告别大模型“失忆”！人大开源MemSifter：轻量代理先思考再回忆，搞定长时记忆
中国人民大学团队提出全新LLM记忆管理框架MemSifter，打破长时记忆管理‘精度不够’和‘成本太高’的困局。它将记忆检索‘外包’给轻量级代理模型，采用任务结果导向的RL训练范式，在8个基准测试中超越现有SOTA方案。
捅破具身智能天花板！极佳视界新VLA大模型登场，复杂长时程任务近100%成功率
极佳视界推出GigaBrain-0.5M*VLA大模型，以世界模型条件驱动，引入人在回路持续学习机制。在与主流方法对比中，任务成功率提升30%，长时程任务近100%成功，还具备高效准确的价值预测能力。
扔掉人工公式：快手EMER框架，用“会比较、自进化”的模型重构短视频推荐排序
过去十年，推荐排序多依赖人工设计公式，但此模式遇瓶颈。快手策略算法团队提出 EMER 框架，用“会比较、能进化的 AI 模型”重构短视频推荐排序，在快手主 App 和极速版效果显著，还为行业提供解决方案。