「K2 - VL」共找到 2363 篇相关文章
港中文薛天帆团队：实现 4K 全景视频生成，普通视频也能「长出空间」丨CVPR 2026
香港中文大学薛天帆团队提出CubeComposer框架，可将普通视角视频扩展成原生4K的360°视频。研究在两个数据集测试，结果显示其在多指标上优于基线。该成果突破技术上限，让普通人也能制作360°视频。
视频理解新标杆，快手多模态推理模型开源：128k上下文+0.1秒级视频定位+跨模态推理
快手开源能看懂视频并跨模态推理的大模型Keye-VL 1.5，其有时序定位、描述和推理能力，跑分领先。采用三段式架构和Slow-Fast编码策略，经四阶段预训练和多阶段后处理，团队成果多，推动多模态技术落地。
给 OpenClaw 装上“全网眼睛”：我把这个 3K+ Star 项目果断集成到了个人skills里。
作者用OpenClaw /Claude Code读推特遇难题，各平台上网关卡多。后发现开源2天获1.1K Star的Agent - Reach项目，将上网工具统一打包，技术选型实用，强调AI时代想法和判断力比技术重要。
原生3D-VAEs，1536³三维分辨率，清华与微软TRELLIS 2开启3D全能生成新纪元
清华与微软团队推出TRELLIS 2系统，用全新O-Voxel表示法，1分钟生成1536³分辨率3D资产。它解决拓扑灵活性与存储效率矛盾，结合SC-VAE和流匹配模型，在多方面超越现有模型，还能适应不同场景。
AI 实在太快：Replit 估值快 90 亿美金，Higgsfield 9 个月 ARR 突破 2 亿美金
AI 时代发展极快，Replit 9 月估值 30 亿美金，现正进行新一轮 4 亿美金融资，估值约 90 亿美金。其 ARR 增长迅速，还推出开发移动 App 新功能。同时，Higgsfield 9 个月 ARR 突破 2 亿美金，完成 1.3 亿美金 A 轮融资。
视觉语言模型“扫地僧”：360低调开源FG-CLIP2登顶29项全球基准测试 | 甲子光年
两周前，360人工智能研究院低调开源FG - CLIP2，它在29个公开基准测试中超越Google和Meta的模型。该模型实现局部细粒度识别和原生双语对齐，为AI视觉理解设新基准，已服务开发者并在多领域落地。
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
我去，真牛！Coze Studio 开源版究竟有多火？看 GitHub 最新 1.4k star 人气飙升！
Coze Studio是低代码、可视化的AI Agent开发平台，有Apache‑2.0开源许可，降低使用门槛。它能解决非专业开发者、企业等构建智能对话助手的痛点，核心功能亮点多，应用场景广，在国产AI Agent开发生态潜力大。
DeepSeek-V3.2被找出bug了：疯狂消耗token，答案还可能出错，研究人员：GRPO老问题没解决
DeepSeek-V3.2虽强且火爆，但被发现存在bug，即浪费token问题。研究者指出这源于GRPO算法的‘隐藏偏见’，虽修正了‘难度偏见’，但‘长度偏见’仍在，官方也承认token效率是挑战。
Seedance 2.5 + 预演台，我只花了很少的钱，做出了一段《变形金刚》迈克尔·贝式运镜
作者分享用 Seedance 2.5 加 updream 复刻《变形金刚》迈克尔·贝式运镜的经验。先预演再生成可省成本，介绍预演台操作，经四步完成复刻，最后检查三项指标判断是否成功。