「视频问答」共找到 1097 篇相关文章
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。
字节Seed开源长线记忆多模态Agent，像人一样能听会看
字节Seed发布全新多模态智能体框架M3 - Agent，能听会看、有长期记忆且免费开源。团队还开发新长视频问答基准M3 - Bench并开源。实验显示，M3 - Agent在多基准测试中显著优于基线模型。
P图老本事搭上了对话框，美图这AI Agent到底香不香？
本文对美图AI Agent RoboNeo进行实测。它web端操作简单，生图和p图功能丰富，拆分图层功能好用，工作流能辅助创作。不过它生成速度慢，视频生成有画面逻辑、文字生成等问题。其开发节奏快。
可灵2.5 Turbo太凶残：30%成本暴降+效果飞跃，生成体操动作可去参赛
快手推出可灵2.5 Turbo视频生成模型，在力量感、滞空感和物理感知上进步明显。官方称其在文本响应、动态效果等维度效果提升，高品质模式成本降30%。不过，它在物理认知方面仍有欠缺。
让世界模型推理效率提升70倍：上海AI Lab用“恒算力”破解长时记忆与交互瓶颈
上海AI Lab联合多家机构开源Yume1.5，针对视频生成构建可交互“世界模型”的核心难题，提出时空信道联合建模（TSCM），实现近似恒定计算成本的全局记忆访问，展示了世界模型工程化落地的可行路径。
Sora 2干翻Veo 3？超全对比实测：会中文脱口秀，但体操翻车，附有效邀请码
OpenAI推出Sora2，可生成20秒1080p视频，在物理准确性等方面更优，还具备音画同步能力。文章对Sora2和谷歌Veo3进行多轮对比实测，涉及不同场景，也提及Sora2版权保护及App相关情况。
2025-04-努力不是做好事情最重要的因素
作者分享个人生活、工作等多方面情况，提及播客发布，认为努力非工作做好的关键因素，深入探讨Agent在业务应用中的问题，还谈及视频更新、投资经历等，最后表示要审视目标、精简事务。
空间智能爆发只需24个月？群核科技首席科学家唐睿预言：具身智能才是AGI终极形态 | 万有引力
群核科技首席科学家唐睿在访谈中表示，空间智能是具身智能基础设施，可解决其数据不足痛点。破数据瓶颈靠普及感知硬件，2D、视频与3D生成走向融合，空间智能爆点24个月内或随硬件突破到来。
顶模 Fable 5.1发布，到底强了多少？
昨晚，Anthropic发布Fable 5.1和Mythos 5.1，这代沿用Fable 5参数，性能提升聚焦长任务，还降低缓存读取价。它在游戏、视频等多个领域表现出色，与同类模型对比进步明显，虽价格贵，但能力、速度有提升。
150%训练效率提升：感知检测小模型训练优化方法
文章基于业务实践，总结感知检测小模型在不同算力卡上的训练方法，为智能驾驶场景提供借鉴。介绍测试环境、技术架构，分析环境依赖冲突、源代码适配等问题并给出解决方法，还提及性能优化及测试结果。此外还介绍用 RAGFlow 构建私有知识问答应用。