「视频字幕处理」共找到 1875 篇相关文章
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。
文档OCR新范式0.84 页/秒，吊打MinerU Qwen2.5VL
MonkeyOCR采用SRR三元组范式，简化多工具管道，避免整页文档处理低效率。与MinerU、Gemini 2.5 Pro等对比，性能表现优，处理速度达0.84页/秒，但对扫描件效果欠佳，架构含多模型，可通过特定地址测试。
Sora被拉下神坛：PixVerse这款AI视频工具用最低价拿下全球质量第一
所有人以为Sora是AI视频生成天花板，但现在质量排名第一的是PixVerse，它登顶Product Hunt日榜第一。其质量评分超Sora 168分，价格还低20%，且在多方面升级。大众仍认为Sora最强有认知、品牌、信息等因素。
NovaSR：一个52KB的音频超分模型，把16kHz模糊音频变成48kHz清晰版
最近，只有52KB的音频超分辨率模型NovaSR开源，能把16kHz模糊音频变成48kHz清晰版，处理速度极快，可实时处理音频流。它能提升TTS模型质量等，虽有不足，但平衡了速度与质量。
准确率腰斩！大模型视觉能力一出日常生活就「失灵」
EgoCross项目团队聚焦跨域第一视角视频问答评测，揭示现有MLLM在多场景泛化瓶颈。团队提出跨域第一视角视频问答基准EgoCross，经测试揭示模型短板，验证改进方法潜力，研究入选AAAI 2026且数据集等已开源。
我雇了个AI，替我读微信列表里“吃灰”的公众号文章
文章评测了AI工具语鲸，它像国产版NotebookLM和AI版今日头条，能处理文本、整合资讯。它可订阅多渠道账号，有订阅、频道等实用功能，网页端解析长文出色，但处理图文有问题，其团队背景强大。
AliSQL 向量技术解析（一）：存储格式与算法实现
随着AI与大模型应用普及，向量存储与检索需求大增。AliSQL基于MySQL 8.0扩展向量处理能力，本文聚焦其向量索引，介绍存储格式、算法实现，如HNSW算法及插入、搜索等操作，还提及辅助表设计与DDL原子性。
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
全球AI双榜第一！力压谷歌Veo与Grok，Vidu Q3「参考生」之王归来
这个月初谷歌免费开放Veo 3.1视频生成能力，让AI视频更普及，但模型距‘能交付’仍有差距。Vidu Q3带着‘全家桶’回归，覆盖多领域，在权威评测榜单成绩优异，视觉、听觉和场景能力升级。
AI问答，直接「拍」给你看！来自快手可灵&香港城市大学
来自快手可灵团队和香港城市大学的研究者提出「视频作为答案」任务范式，发布VANS模型。它由视觉语言和视频扩散模型构成，通过联合分组相对策略优化算法协同优化，在教学和预测应用上效果超现有模型。