搜索：中文音视频一体化

「中文音视频一体化」共找到 1159 篇相关文章

8B硬刚72B！MiniCPM-V 4.5技术报告正式出炉

行业首个具备“高刷”视频理解能力的多模态模型MiniCPM-V 4.5技术报告发布，提出三项关键技术，使模型在多任务达同级SOTA，8B参数规模超72B模型，推理快，开源后获社区好评。

OpenAI重磅上新，带来依托Sora 2的“AI版抖音”——Sora iOS APP。Sora 2是音视频同步生成模型，更遵循物理定律、可控性强，还能注入现实元素。实测效果佳但画质低，Pro版可改善，后续还会发布API。

iPhone 17 Pro竟能跑8B大模型，如Qwen3 - 8B，推理较流畅。作者换机一是因eSIM，二为拍视频。其认为AI普及需端侧落地，此机芯片性能是好信号，盼出优质iOS客户端。

电子游戏推动AI发展，谢赛宁团队探索世界模型新方向，推出多人视频世界模型Solaris。该模型能生成多人一致的第一视角，团队还搭建了多人数据采集系统SolarisEngine，构建了多人Minecraft数据集。实验结果显示，其方法在多方面表现更优。

随着大语言模型走向真实交互，强化学习训练LLM agents时出现信息自锁问题。香港中文大学等研究者分析其原因并提出AREW方法，在多场景实验中表现稳定且具鲁棒性。

通义千问与港中文联合发布OccuBench，用语言世界模型评测AI Agent职业能力。评测15个前沿模型，发现无全能选手，隐式故障难处理，Scaling定律有效，做Agent和环境模拟器能力不同，还给出具体案例。

近期AI视频赛道竞争激烈，FLUX 3登场，国内巨头也纷纷推出新模型。字节Seedance 2.5优势明显，但适用特定场景。Seedance 2.0 fast降至6毛每秒，经多场景实测，表现均衡，是性价比之选。

香港中文大学（深圳）等高校研究人员提出 CAKE 方法，被 NeurIPS 2025 接收。它利用大语言模型动态设计高斯过程核函数，构建自适应贝叶斯优化框架，在多领域实验中效果优，还具备可解释性。

蚂蚁正式开源 LingBot-Map，这是基于几何上下文 Transformer 的纯自回归流式 3D 重建基础模型。它能在恒定内存下实现超万帧长视频实时三维重建，处理速度约 20 FPS，在多基准测试中超越现有流式方法。

机器人是AI热门领域，但面临数据荒。训练数据分真实与合成两类，前者质量高但成本高、规模有限，后者成本低。数据标注服务商高价回收做家务等视频作训练素材，各方努力下优质数据仍短缺。