「音视频技术」共找到 3695 篇相关文章
里程碑时刻！首个100B扩散语言模型来了，技术报告揭秘背后细节
蚂蚁集团与高校联合团队推出 LLaDA2.0 系列扩散语言模型，其中 LLaDA2.0 - flash 参数量达 100B。技术报告披露细节，其解决了 dLLM 做大做强难题，性能比肩 AR 模型，为扩散模型工业化带来转机。
11Labs 增长负责人：搞营销要学着做视频，但创始人出镜会有点自恋
AI语音独角兽ElevenLabs增长迅猛，估值超30亿美元。其增长负责人Luke Harries分享独特策略，如分业务单元管理、重视视频营销、多渠道推广等，还给出团队搭建、产品发布等实用建议。
CVPR 2026｜1分钟单图变4D视频！AI看图直接脑补物理规律
北京理工大学和理想汽车等团队提出全新框架PhysGM，引入DPO实现端到端快速前馈推理，能1分钟内将单图生成为4D动态视频，在速度和评价指标上超越主流模型，相关工作被CVPR 2026接收且代码已开源。
舍弃自回归，离散扩散语言模型如何演化？NUS综述解构技术图谱与应用前沿
本文介绍新加坡国立大学xML团队的论文，梳理离散扩散方向研究图谱，对比自回归局限与离散扩散优势，阐述数理基础、模型生态、训练与推理技术，还提及应用及未来方向，显示其对自回归范式的替代潜力。
AI窗口期只剩3-4年，98%的企业却高估了自身的技术成熟度
麻省理工学院报告显示，企业级AI试点仅约5%进入生产环节并产生回报。多数企业高估自身AI成熟度，落地难源于技术与组织发展速度不匹配。企业需系统重构，窗口期只剩3 - 4年。
能识图、看视频，也能理解软件界面：蚂蚁百灵开源Ling-3.0-flash-VL
本文介绍蚂蚁百灵开源的多模态大模型Ling-3.0-flash-VL，该模型采用稀疏混合专家架构，支持图片、视频、软件界面理解，可将视觉信息用于推理与任务执行，开放权重采用MIT许可证供开发者部署测试。
文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平
澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。
3月26日，在“硬件硅谷”深圳，这场具身智能技术沙龙邀您解锁行业实战法则
2026 年具身智能成热议焦点，但面临模型不成熟等痛点。机器之心联合相关部门 3 月 26 日在深圳龙岗办技术沙龙，有前沿论剑、成果展示、供需对接三大亮点，邀各界共筑具身智能生态。
GAIR 2025 世界模型分论坛：从通用感知到视频、物理世界模型的百家争鸣
第八届GAIR全球人工智能与机器人大会世界模型分论坛上，五位青年学者围绕世界模型展开精彩演讲，话题涵盖通用感知、三维技术等。他们的研究为世界模型领域带来不同启发，目前该领域研究尚处起步阶段，共识未形成。
linux.do：一个被严重低估的中文技术社区，国内懂的人都在偷偷用
本文介绍了中文技术社区 linux.do，它上线两年多，虽访问量已追上老牌社区 V2EX，但很多人不知其存在。其核心围绕 ChatGPT 和大模型，有一手信息、开源协作氛围和活跃管理团队，还给出注册及避坑建议。