「音视频技术」共找到 3695 篇相关文章
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。
评论赠书 | CXL抢跑AI算力新战场，未来计算架构激发智算生产力
AI时代传统架构局限性凸显，CXL技术应运而生。它由英特尔等公司联合推出，解决内存鸿沟问题。‘2024 CXL技术创新方案大赛’推动其发展，《CXL体系结构》一书全面介绍该技术。
从Sora2到TapNow：AI视频创作，差的是这套专业流程
国内知名导演欧阳英豪用AI打造百万级商业TVC，TapNow公开其创作流程。当下AI视频工具强，但能用于商业的TVC少，核心问题是不懂专业流程。TapNow将专业流程工具化，有五大核心功能，适合不同层次创作者。
技术大神用纯Rust从零构建了LLM，在GitHub上大火
Python是AI界宠儿，Rust也因“内存安全、零成本抽象、无畏并发”受青睐。项目RustGPT用纯Rust从零构建LLM，在GitHub上火了。Rust弥补了C/C++和Python的不足，Rust社区LLM项目增多，巨头也在布局。
装机量超2000万、全球主流GPU与AI框架“开箱即用”！OpenCloudOS成AI时代优先选项
在大模型训练迭代快、算力需求高但 GPU 利用率低、生态碎片化的背景下，2025 OpenCloudOS 操作系统生态大会举办。OpenCloudOS 围绕 AI 升级技术，构建能力闭环，还发布智能基座，降低产业链技术摩擦。
3年、1万人，快手技术团队首次系统披露AI研发范式升级历程
快手首次系统性披露自2023年以来的AI研发范式升级历程。其研发效能演进分三阶段，从平台化到智能化，虽遇个人提效难传导至组织提效的问题，最终仍找到提升需求端到端交付效率的路径。
关于多模态大模型Token压缩技术进展，看这一篇就够了
多模态大模型跨模态融合带来高计算成本，催生MLLM Token Compression研究。北大等机构人员基于压缩位置对方法系统归类，讨论特定场景压缩机制选择，还探讨了挑战与前景方向。
Hugging Face 开源 HopeJR 机器臂！本周四直播带你深入技术核心
Hugging Face 的 LeRobot 项目开源了 23 自由度的 HopeJR 机械臂系统，软硬件全公开，支持遥操作。它制造门槛低，3 步可搭建，支持数据采集训练模型。本周四晚 23 点直播揭秘其技术。
让AI自我进化？斯坦福华人博士答辩视频火了，庞若鸣参与评审
斯坦福大学博士生 Zitong Yang 完成「持续自我提升式 AI」博士论文答辩并分享视频。他针对当前模型局限提出解决方案，涵盖合成持续训练、预训练能力自我提升、迈向 AI 设计 AI 三个核心方向，引发行业关注。
浙大联手字节：开源大规模指令跟随视频编辑数据集OpenVE-3M
浙江大学与字节跳动合作，提出大规模指令跟随视频编辑数据集 OpenVE-3M，有 3M 样本对。还提出数据构造管线、编辑模型 OpenVE-Edit 及评测集 OpenVE-Bench，小参数量下超越现有开源模型。