「超长视频理解」共找到 1684 篇相关文章
谷歌“世界模拟器”深夜上线！一句话生成3D世界，支持分钟级超长记忆
谷歌DeepMind发布新一代通用世界模型Genie 3，只需一句话就能生成可实时交互的3D世界。性能大幅升级，支持720P画质等，还能推动具身智能体研究，谷歌期待其助力迈向AGI。
刚刚，Top级的视频AI免费了！我反手做了个精致版《牛来》
明星AI实验室Agnes发布的Agnes Video 2.5系列已上线Pavo创作平台。其中，Agnes Video 2.5 Flash免费，适合AI短剧创作者；Agnes Video 2.5每天送积分，适合商业场景。实测显示其效果佳，免费还能大胆试错。
字节豆包2.0重磅发布！成本暴降一个数量级，Seed团队揭秘视频Agent竞争关键
今天，字节正式发布豆包大模型 2.0 系列，围绕大规模生产环境需求优化，提供多款通用 Agent 与 Code 模型。其成本优势明显，多模态能力升级，未来将聚焦长链路智能系统构建。
中学生就能看懂：从零开始理解LLM内部原理【十二】｜位置嵌入 - 给模型装上"GPS"
文章指出Transformer对词顺序不敏感，引出位置嵌入概念。介绍经典的函数编码、可学习位置嵌入法及新主流RoPE，还提及为让模型处理长文本，在RoPE基础上用PI和YaRN等扩窗技巧。
长达790年视频镜头，打造原生多模态世界模型！北京智源研究院用Emu3.5统一“世界”
北京智源研究院发布并开源基于原生多模态训练的世界学习者Emu3.5，它将视觉和语言视为同一种数据流，在超13万亿token数据上学习，解决长视野多模态信息处理问题，经多阶段训练和优化，能力强大且已开源。
机器人“狂踹不倒”视频刷屏！太空舱遍布城市街巷，银河通用这几手秀麻了
银河通用发布全新通用动作追踪框架Any2Track，让机器人精确模仿人类动作，还能抗干扰。团队将动作捕捉学习解耦为两阶段，兼顾精准模仿与抗干扰。其银河太空舱让机器人融入生活，全栈自研技术推动具身智能落地。
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
全球首个人形机器人通用视觉感知系统，Humanoid Occupancy建立多模态环境理解新范式
北京人形机器人创新中心推出 Humanoid Occupancy 感知系统，创新性融合多模态传感器信息，构建通用感知框架。它以语义占用表征为核心，有全编码和适配融合优势，经实验验证性能优，推动机器人迈向通用感知时代。
免剪辑直出！AI生成多角色同框对话视频，动态路由精准绑定音频
Bind-Your-Avatar基于扩散Transformer框架，通过细粒度嵌入路由将语音与角色绑定，实现精准音画同步，还引入数据集MTCC和基准测试，实验显示其在身份保真和音画同步上优于现有方法。
中学生就能看懂：从零开始理解LLM内部原理【九】｜ 层归一化：神经网络的稳定器
本文是系列文章第九篇，介绍了神经网络中的层归一化。先回顾标准差、标准分概念，指出其可使差异可控稳定。接着说明层归一化将原思想用在神经网络，还加入可学习参数，最后总结其作用与应用位置。