「首帧」共找到 1032 篇相关文章
不会拍照有招了！北大彭宇新团队开源首个美学指导大模型Venus，帮你拍好照｜CVPR 2026
北大彭宇新教授团队针对现有大模型在摄影指导上的不足，定义美学指导任务，构建数据集AesGuide，提出美学指导大模型Venus。相关论文被CVPR 2026接收并已开源，Venus在多项评测中优于现有方法。
银河通用X清华大学发布业内首款开源人形机器人全身遥操系统OpenWBT，支持多机型、跨虚实，小时内可轻松部署
银河通用与清华大学合作发布全开源人形机器人全身遥操作系统OpenWBT，新手小时内可部署。该系统有极简部署、多机型跨平台、兼顾虚实遥操三大亮点，背后技术解决了sim2real迁移难题。
超低延迟的端到端语音模型！首次生成音频仅需53ms，比同级别模型快3-5倍！
随着语音应用场景普及，语音大模型响应慢成瓶颈。VITA团队开源端到端语音模型VITA - Audio，7B参数模型首次生成音频仅53毫秒，比同级别快3 - 5倍，完全开源，有超低延迟等优势。
智谱首秀工程实战经验！Coding Agent日均数亿次调用，GLM-5把长上下文推理的底层问题全逼出来了
今年 2 月智谱 GLM Coding Plan 上线后很受欢迎，随着用户和调用量上涨，Coding Agent 成压力测试场。4 月 30 日智谱发布博客，披露 GLM - 5 系列模型在超大规模 Coding Agent 调用场景下的底层推理技术突破及工程实践经验。
SIGIR 2025 | 视频检索新范式！北邮、北大等联合提出AV-NAS：首个音视频哈希搜索架构，让Mamba与Transformer自动“组队”
北邮、北大等团队提出 AV-NAS，在多模态视频哈希领域引入 NAS，构建含 Transformer 与 Mamba 的统一搜索空间。该方法能自动发现最优跨模态融合机制，揭示音频时序建模中“CNN + FFN”结构更优，代码已开源。
5亿融资后清华具身团队首秀：55自由度拿捏360°大旋转，街舞叠衣服都在行，手速堪比电竞选手
这是星动L7机器人秀出的最新能力，打造者是清华叉院背景的星动纪元团队。不久前他们获近5亿新融资，此次新进展惊艳众人，该机器人全身多达55个自由度，创下多项纪录。
一天两枚“代码核弹”：OpenAI 祭出首个“主打实时协作”的 Codex 模型，谷歌放出 Gemini Deep Think，码力冲到世界前8
OpenAI 发布 GPT - 5.3 - Codex - Spark 研究预览版，专为实时编码设计，降低交互延迟。谷歌更新 Gemini 3 Deep Think，面向科研与工程难题，在多领域测试表现出色，二者引发网友热议。
首款推理具身模型，谷歌DeepMind造！自主理解/规划/执行复杂任务，打破一机一训，还能互相0样本迁移技能
谷歌DeepMind发布新一代通用机器人基座模型Gemini Robotics 1.5系列，由GR 1.5和GR - ER 1.5组成，结合视觉、语言与动作，实现“规划 + 执行”闭环，还提出Motion Transfer机制，能跨机器人迁移技能。
OpenAI获五角大楼2亿美元订单，迈向军工领域
OpenAI推出“OpenAI for Government”计划，为美国政府提供AI工具。首个合作是与五角大楼的试点项目，合同上限2亿美元，用于变革行政运营，州和联邦层面已有应用实例。
单卡搞定万帧视频理解！智源研究院开源轻量级超长视频理解模型Video-XL-2
智源研究院联合上海交通大学等机构发布新一代超长视频理解模型Video-XL-2。它单卡能处理万帧视频，编码2048帧仅需12秒，在效果、长度和速度上全面优化，已开放模型权重。