搜索：超长视频理解

「超长视频理解」共找到 1684 篇相关文章

人大-清华-腾讯发布：音频 - 视觉多模态任务统一框架

人大、清华和腾讯合作发布Crab论文，目标是实现多模态场景理解任务的高效一统。它针对音频 - 视觉理解模型难点提出解决方案，构建数据集、设计LoRA结构、统一架构，训练分预训练和指令调整两阶段。

前腾讯AI大牛刘威的AI视频初创公司Video Rebirth完成8000万美元融资，由AMD Ventures等联合投资。资金用于Bach系列模型商业化与全球扩张，其业务面向海外企业和专业个人用户。

连续创业者、Tessi.ai CTO Ben Greene 在访谈中指出，生成式 AI 改变软件工程形态，手工软件工程师时代过去。工程师应转向理解问题、设计系统，具备系统思维、业务理解和与人协作能力，学会“AI 编排”。

MMLU-CF是微软亚洲研究院推出的无污染多任务语言理解基准测试，含20000道题、覆盖14学科。通过去污染规则和闭源测试集防数据泄露，保证评估结果可靠，已在Huggingface开放。

当前音频驱动头像视频生成扩散模型合成长视频时难兼顾音频同步与身份一致，瓶颈在音频建模。复旦大学提出StableAvatar，首个端到端视频扩散Transformer，能无限时长生成，还介绍原理与演示效果。

OpenAI叫停Sora 2项目，同期北京AI初创公司Sand.ai在GitHub连续三天开源核心技术栈，包括音视频同出大模型、分布式Attention组件、全局编译框架，还介绍了团队和产品，展现全栈实力。

快手与清华孙立峰团队联合发表论文，提出灵犀系统，这是业界首个大规模生产环境中面向用户个性化体验的自适应视频流优化系统。该系统能解决现有方法在部署中的难题，实现个性化QoE优化。

来自SGLang开源社区的Yichi介绍SGLang Diffusion，它是面向图像与视频生成的全开源扩散模型推理引擎。基于SGLang机制将能力迁移到扩散模型推理，能显著提速工作流，视频展示了多种功能。

全球网友爱刷解压视频，谷歌Gemini下场做带提示词的解压视频。它推出7段纸艺动画，包括火烈鸟起舞、圣托里尼落日等，靠高精准提示生成等打造，拓展想象边界，是通往美学与治愈的桥梁。

上海人工智能实验室等多机构推出多模态生成与理解统一模型Lumina - DiMOO，采用全离散扩散架构。它解决传统多模态架构问题，有全离散扩散建模等四大创新，性能在多基准测试中领先，应用前景广。