「音视频实时交互模型」共找到 1736 篇相关文章
神秘「欢乐马」霸榜视频模型！本以为Seedance2.0已封神…
神秘模型HappyHorse - 1.0悄然登顶Artificial Analysis的AI Video Arena排行榜，在多个赛道力压Seedance等模型，呈现断层式碾压。它或出自阿里淘天未来生活实验室，据说完全开源，10号将正式发布。
从Token到词元：全模态时代的基模与交互入口
2026年3月24日国家数据局确立“词元”为Token标准译名，Token生成与消耗方式在多模态场景正发生变化。模思智能获数亿融资，探索从语音到全模态的路径，成果颇丰且完成能力闭环，其发展受关注。
OpenMAIC：一键生成互动课堂，视频+PPT全都有，还可以编辑
清华开源项目OpenMAIC是多智能体互动课堂，上传文档或描述主题，几分钟就能生成虚拟课堂，AI教授讲课、同学讨论，还有白板功能。底层用LangGraph编排，支持主流模型，有OpenClaw集成，架构完整。
开源PDF表单自动化神器，一行命令，把静态 PDF 变成交互表单！
平时拿到的PDF表单大多无法直接填写，操作繁琐。GitHub上的开源工具CommonForms能自动识别PDF表单区域，一键生成可填写的交互式表单，基于深度学习模型FFDNet，功能强大且使用简单，还保障数据隐私。
UCSD首个智能体浏览器发布！多页面设计，颠覆传统交互
加州大学圣地亚哥分校推出Orca浏览器，把网页视为可塑材料，浏览器变为可塑空间。用户能在无限画布中浏览、管理网页，调度智能体完成任务，还可进行大规模查看、管理等操作，项目将开源。
微软开源浏览器Agent，可实时跟踪、控制智能体，超4000颗星
微软在官网开源用于浏览器网络任务的Agent——Magentic - UI，基于Magentic - One开发，支持人机协同。GAIA测试显示其能提升任务完成率和准确率。它以人为本，有独特机制，框架含多阶段，在Github超4000颗星，支持MIT许可证商用。
说句话就能飞！北航发布语言交互的无人机控制模型
北航刘偲教授团队提出语言引导的细粒度无人机轨迹控制研究框架，定义Flow范式。采用模仿学习法让无人机响应指令，构建数据集和仿真评测基准，还提出协作策略和算法，实现真机部署。
开源8300小时标注数据，新一代实时通用游戏AI Pixel2Play发布
随着AI在代码和图片生成领域成熟，研究人员开始关注其在游戏领域的表现。此前的专用模型缺乏跨游戏泛化能力，通用模型在游戏环境中表现不佳。为此，Player2研究员提出Pixel2Play模型，还开源了代码和数据集。
李飞飞又被超越了？百万「普通视频」打造通用4D世界模型！
全行业为昂贵多视角数据发愁时，中科院和CreateAI推出NeoVerse，用百万单目视频打开4D世界模型大门。它抛弃多视角数据和离线预处理，解决扩展性瓶颈，在重建速度、生成质量等方面表现出色，有丰富下游应用。
短视频刷多了AI也会变蠢！“年度最令人不安的论文”
最新研究显示，大模型灌多垃圾内容会‘脑损伤’，研究人员用不同维度定义垃圾数据并训练模型，测试其核心能力，发现垃圾数据致认知下降，且损伤不可逆，还给出行业启发。