「视觉交互」共找到 1210 篇相关文章
实时生成视频！StreamDiT每秒16帧，单卡生成
现有文本生成视频模型多为离线生成，无法满足实时交互需求。加利福尼亚大学与Meta联合提出StreamDiT模型，采用流匹配等方法，蒸馏模型可单卡每秒16帧实时生成512p视频，不过仍有伪影问题。
科大讯飞研发总监王磊磊将在 AICon 上海分享多模态降噪技术的实践与应用
5月23 - 24日AICon上海大会将聚焦AI前沿与产业落地。科大讯飞王磊磊将分享《复杂场景下的语音交互，多模态降噪技术的实践与应用》，介绍基于多模态融合的降噪技术体系及其在智能硬件中的应用。
斯坦福吴佳俊「计算机与思想奖」获奖演讲全文：从一张照片，逆推一个世界｜IJCAI 2026
8月20日，斯坦福大学吴佳俊在IJCAI 2026发表“计算机与思想奖”获奖演讲。他指出像素是表象，物理结构才是因果，提出以物理代码为桥，融合基础模型泛化力与物理模拟因果性，构建视觉与物理智能。
突然发现，谷歌的 AI Mode “免费、全面”地开放了
上个月谷歌在 iOS 和安卓的 Google App 全面开放 AI Mode，现几乎对所有能访问 google.com 的地区免费开放。它基于 Gemini 2.5 等模型，能智能答问、对话交互，还植入 Agent 功能，变革搜索体验。
真实联网搜索Agent，7B媲美满血R1，华为盘古DeepDiver给出开域信息获取新解法
华为诺亚方舟实验室提出 Pangu DeepDiver 模型，实现 LLM 搜索引擎自主交互新范式。它用真实互联网数据训练，在 WebPuzzle 等基准测试中，7B 的 DeepDiver 媲美 671B DeepSeek - R1，展现强大信息获取与泛化能力。
AI，正在吞噬所有软件。
作者从用户体验设计师和公司创始人视角，探讨AI时代软件的变革。人人能造软件，成本降低；软件从资产变耗材；Agent填平人机交互鸿沟，产品形态转向Skills；用户可能不再是人；中间层正消亡。
刚刚，ChatGPT支持MCP了！一句Prompt即可全自动化
今天，OpenAI官宣ChatGPT的MCP功能上线，仅Plus和Pro用户可用。MCP可让AI模型等标准化交互，使ChatGPT自动化程度大幅提高。官方Demo展示其强大潜力，网友态度积极，但功能仍有改进空间。
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。
治好多模态近视和走神！上海大学去偏干预显著提升模型性能
多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。
Sora2不够香了！这款国产AI视频模型已经能边看边生成，生成快还互动佳
国内AI视频玩家弯道超车，百度蒸汽机（文心专精版）开卷实时流式生成。它能边看边生成，生成快还互动佳，实现生成迅速、实时交互、无限续写，重新定义AI视频生成领域。