「长视频理解」共找到 2145 篇相关文章
4B参数实现理解、推理、生成、编辑一体化！InternVL-U重磅开源
上海人工智能实验室联合多所高校开源多模态一体化模型 InternVL-U，仅 4B 参数，突破现有统一多模态模型瓶颈，在复杂场景超越 14B 级模型，已全面开源，提供推理代码等。
AI终于“长”进机器人身体里！机械臂学会用触觉思考
香港科技大学申亚京教授团队研发出具身机器人手臂 EmArm，实现亚毫米级触觉定位与实时‘感知 - 行动’闭环。研究还提出‘感知 - 驱动’一体化算法，为打造物理 AI 机器人提供可扩展技术路径。
Claude Code 学习最佳实践：NotebookLM 生成全套学习视频+卡片+测试题
文章介绍用NotebookLM学习Claude Code的最佳实践。有人将36篇Claude Code资料“喂”给它，生成含音视频的学习资料库。NotebookLM能多种形式输出，支持多类型输入，值得纳入日常工作流。
阿里开源 Wan2.2-Animate！统一角色动画和视频人物替换
阿里通义实验室开源 Wan - Animate，这是用于角色动画与替换的统一框架。它构建于 Wan 模型之上，支持角色动画和角色替换两项核心功能，性能超现有算法，还通过独特设计实现多种效果。
NeurIPS 25开新坑：145万个图文对，覆盖八种主流水下理解任务
华中科技大学团队推出首个水下多模态大模型NAUTILUS，支持8种水下场景理解任务，还开源145万图文对的NautData数据集。模型通过VFE模块解决水下图像问题，性能超越现有模型，恶劣环境表现更佳。
一手实测全新的Sora 2 - AI视频的ChatGPT时刻到来了。
OpenAI发布Sora 2和Sora APP，Sora 2是视频和音频生成模型，在运动质量、人物表演、音频生成等方面表现出色；Sora APP类似AI版抖音，有社交互动“cameos”功能，但产品未来尚不明朗。
NVIDIA开源“Banana”级黑科技！会懂物理、理解时间的图像编辑模型！
继谷歌Banana后，英伟达开源物理级图像编辑模型ChronoEdit - 14B，被称‘NVIDIA版的Banana’。它有‘时间观念’和‘物理常识’，能按描述生成符合物理规律图像，适用于多领域。
静态稀疏已死：Flux Attention 开启长文本 LLM 自适应推理新时代
文章指出长上下文LLM高效推理面临性能与效率难题，先介绍Elastic Attention打破静态稀疏桎梏，后重点阐述全新的Flux Attention，它将动态稀疏注意力范式升级为层级别路由，解决了算法与硬件的矛盾，在多方面实现突破。
深刻理解Token：大语言模型（LLM）是如何看待这世界？
文章指出在大语言模型（LLM）中，Token是处理文本的基本单位。介绍了Token的概念、分词方法、向量化过程，还阐述了分词对模型性能的影响，如导致模型在数学、多语言处理上表现不佳等。
让龙虾看懂屏幕！谷歌多模态新成果，文本图像视频音频进同一空间
谷歌发布首个原生多模态嵌入模型Gemini Embedding 2，将文本、图像、视频、音频和文档映射进同一嵌入空间，支持多模态混合输入，为AI Agent“看懂”世界提供关键基础，已展开公测。