「多模态播客」共找到 1081 篇相关文章
昆仑万维多模态视频生成开源，影音图文全统一
昆仑万维开源的SkyReels-V3，通过统一多模态上下文学习框架，实现参考图像生成视频、视频持续扩展及音频驱动虚拟数字人功能，在视觉质量与指令跟随性上逼近闭源顶尖水平，为开源社区提供强大研究基座。
AI 真能看懂物理世界吗？FysicsWorld：填补全模态交互与物理感知评测的空白
多模态大语言模型正经历范式转变，目标是实现全模态协同交互。但现有评测体系难跟上模型发展。飞捷科思和复旦团队推出 FysicsWorld 基准，可评测模型多能力，还提出 CMCS 策略，为全模态智能发展提供指引。
ICCV2025 | 多视图生成新范式-利用自回归模型探索多视图生成
本文介绍自回归生成多视图图像方法 MVAR，能从先前视图提取引导信息增强一致性，拉近与基于扩散方法的图像质量差距。解决了多模态条件控制和数据有限问题，展示出强指令遵从与多视角一致性。
生成式视角重塑监督学习！标签不只是答案，更是学习指南 | ICML 2025
上海交大等机构团队在ICML 2025提出预测一致性学习（PCL），通过扩散过程消减标签信息，引入噪声标签，将标签学习分解为渐进式任务，实现标签信息复用。在多模态任务实验中，PCL表现优于传统监督学习。
深度讨论 Gemini 3 ：Google 王者回归，LLM 新一轮排位赛猜想｜Best Ideas
近期，OpenAI、Google、Anthropic 先后发布新模型，引发大模型竞赛。本文聚焦 Google 发布的 Gemini 3，从算力、数据、架构等维度剖析其强大原因，探讨大模型竞争新格局，还涉及多模态、硬件、商业化及产品形态等方面。
“大脑在硅谷，身体全靠中国！”机器人泰斗揭秘真相：后空翻只是杂耍，端起咖啡才是真AI
在最新一期播客中，机器人学泰斗 Sergey Levine 与 Ryan Peterman 深度对话，触及行业焦点如机器人发展阶段、波士顿动力淡出原因等。他强调，机器人技术尚处底层搭建期，需重视先验知识、软硬件结合，跨越鲁棒性门槛。
“如果你不能用300行代码写个Cursor，这行你就别待了！”Ralph Loop创造者、Claude Code核心技术设计者的暴论
Ralph Loop 创造者 Geoffrey Huntley 在播客称软件开发已死，任何人用 Cursor 就能生成代码。他还谈到 K 型分化下职业生存法则、Ralph Loop 设计哲学、代码审查问题，并给出学习和职业发展建议。
Cloudflare CEO 警告：未来两年，Agent 会让互联网每周爆出一个 Log4j
Cloudflare CEO Matthew Prince在播客中指出，互联网上Bot流量已超人类，未来五年或暴涨1000倍，旧商业模式将崩塌。他还谈到AI对安全、工作的影响，以及公司转型、互联网未来商业模式等问题。
OpenAI CFO 摊牌：算力即营收，而 90% 的企业正被卷死在“能力鸿沟”里
本期 OpenAI 播客嘉宾，CFO Sarah Friar 和投资人 Vinod Khosla 探讨 AI 应用。指出多数人使用 AI 能力有限，2026 年是弥合“能力鸿沟”开端。还提及算力与营收相关，OpenAI 在企业端已领先，创业公司也有机会。
一个模型统一4D世界生成与重建，港科大One4D框架来了
港科大研究团队提出 One4D 框架，可统一 4D 生成与重建，构造同步输出多模态的视频扩散模型，支持多种任务形态。其有 DLC、UMC 等亮点，用合成与真实数据混合策略训练，实验表现佳。