「视频预测」共找到 1376 篇相关文章
打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力
如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。
基于Agent的SGLang Diffusion Kernel优化实践：Qwen-Image、FLUX.2和视频模型
本文记录基于Agent完成Qwen-Image、FLUX.2、Wan和SANA Video优化的过程，包括定位问题、写Kernel及遇到的坑。介绍SGLang Diffusion Kernel结构，分析数值敏感原因，展示各模型优化实践、无收益实验及验证流程。
两个月前的预测成真：千问APP真的打通了阿里生态
近期AI圈动态频出，Google与沃尔玛合作搞AI购物，Anthropic发布Claude Cowork。而阿里千问App更快一步，1月15日成功接入淘宝、闪购等实现AI购物与办事。千问基于阿里生态打通内部，具备强模型与丰富生态优势。
“AI版LeCun”自己讲解论文，自我进化智能体框架生成精美演讲视频
加州大学研究者提出自我进化的学术演讲智能体框架EvoPresent，它由四个智能体协作，核心美学模型PresAesth模拟人类审美判断。团队构建评测体系，实验显示其在内容与视觉设计上提升显著，让AI兼顾逻辑与美感。
重磅！OpenAI深夜发布ChatGPT Agent：AI打工人正式上线「附发布会全程视频」
OpenAI推出ChatGPT Agent，它整合Operator远程浏览器和Deep Research能力，Pro、Plus和Team用户可激活。能完成复杂任务，有强大工具集，性能在多基准测试超人类，但OpenAI因能力增强启动最高安全保障。
文旅新玩法！藏师傅教你做食物微缩景观宣传海报&视频
作者玩 Gpt - 4o 图片生成时，用食品做键盘图，又结合食物与城市做微缩场景海报，还用 Veo3 做微缩景观生长动画，给出各工具提示词，鼓励大家尝试。
腾讯纯文本LLM训视觉encoder，拿捏图表长视频，达到开源小模型SOTA！
腾讯开源Penguin - VL，直接用纯文本LLM训视觉编码器，跳出传统多模态拼接套路。在2B/8B紧凑参数规模的复杂任务中竞争力强，训练分三阶段，相关代码、模型等已开放。
告别昂贵人工标注，英伟达全自动视频理解助力小模型逆袭顶级大模型
麻省理工、英伟达等推出FoundationMotion，它是全自动数据生成流水线，能解决运动数据稀缺难题。通过自动标注生成问答数据，让小模型经微调后在运动理解上超越顶尖闭源模型，还介绍了其数据生成、问答设计等环节。
GAIR 2025 世界模型分论坛：从通用感知到视频、物理世界模型的百家争鸣
第八届GAIR全球人工智能与机器人大会世界模型分论坛上，五位青年学者围绕世界模型展开精彩演讲，话题涵盖通用感知、三维技术等。他们的研究为世界模型领域带来不同启发，目前该领域研究尚处起步阶段，共识未形成。
智源悟界·Emu3.5发布，开启“下一个状态预测”！王仲远：或开启第三个 Scaling 范式
2025年智源发布悟界·Emu3.5，在“Next-Token Prediction”基础上实现“Next-State Prediction”。它能力全面提升，或开启第三个Scaling范式，还在预训练、强化学习、推理加速上有技术创新。