「中文音视频一体化」共找到 1159 篇相关文章
字节Seed提出M3-Agent：像我们一样"记住"与"思考"的长视频理解新范式
字节Seed提出M3 - Agent，这是首个融合实时视听输入、类人记忆构建与自主推理的多模态智能体。它模仿人类记忆机制，解决长视频理解痛点，已被CVPR 2025收录并开源代码，为通用人工智能奠定基础。
41个榜单SOTA！智谱最新开源GLM-4.5V实测：看图猜地址、视频秒变代码
智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。
多轮Agent蒸馏终于不翻车！港中文x通义新方法成功率暴涨18点，训练还快32%
香港中文大学联合阿里通义事业群提出TCOD训练方法，解决多轮Agent蒸馏稳定性难题。它只需对现有OPD代码做极少改动，提升了模型成功率，压缩行动步数，还减少训练时间，未来或成训练长程Agent标配。
新Vidu Q3参考生，这是冲着「剧」来的！万物皆可参考：特效音效场景都备好了
生数科技Vidu Q3发布参考生视频，为剧而生，万物可参。它能凭几张图和Prompt生成影视级特效、音效和场景。实测显示其特效、音效、场景表现出色，还解决AI视频创作痛点，兼顾专业与普惠。
CVPR 2026 | 从视觉Token内在变化量出发，实现VLM无损加速1.87倍
随着高分辨率图像与长视频处理需求增长，大型视觉语言模型推理效率成瓶颈。V²Drop从视觉Token内在变化量出发，采用多阶段渐进式剪枝策略，实现无损加速，在图像和视频理解场景表现卓越。
EMNLP2025 | 揭开LLM训练数据中的中文污染真相，有比“您好”高2.6倍的token？
近年来，大型语言模型虽成功，但训练数据易混入不良内容。论文《Speculating LLMs' Chinese Training Data Pollution from Their Tokens》探索此问题，定义PoC Token，开发PoCDetect和PoCTrace工具，揭示LLMs训练数据污染情况。
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
季度AI视频生成产品：多模态输入成标配，角逐一站式生成能力 | 量子位智库AI 100
Sora2下载量破百万引发AI视频生成热潮，谷歌推出Veo3.1再掀高潮。国外大厂将其卷至电影制作级创意，国内企业追求高质量、秒级生成并落地垂直场景。量子位智库发布的产品呈现多维度技术演进。
全球唯二、国内首个，阿里万相2.6杀疯！Sora 2瞬间不香了
阿里万相2.6系列模型上线，成为业界功能最丰富的视频模型，是全球唯二、国内首个具备角色扮演功能的模型。其音画一体，能生成15s长视频，指令遵循能力强。还可将提示词转换为多分镜脚本，团队公开了提示词公式。
刚刚，AI视频的天花板被掀翻！测完SkyReels后飘了：我亦有成为专业导演的潜质
昆仑万维官宣上线全新一站式多模态AI视频创作平台SkyReels，同步发布模型SkyReels V3并优化多能力。实测其画布、Agent等功能玩法多，还打通多模态边界，将巩固昆仑万维地位，加速人人专业创作愿景到来。