「音视频技术」共找到 3695 篇相关文章
Gemini 2.5 Pro 是怎么炼成的？-- gemini 2.5 技术报告阅读笔记与思考
文章是 Gemini 2.5 技术报告阅读笔记。介绍其成功点有多模态、LongContext、思考能力；还阐述模型结构、训练和数据情况，以及代码、事实性、长上下文等特定能力的提升，最后提到基于其构建的智能体。
全模态RAG突破文本局限，港大构建跨模态一体化系统
香港大学黄超教授团队开源多模态智能处理系统RAG - Anything，突破传统RAG技术单一文本局限，整合多模态文档解析等核心能力，解决现有RAG系统痛点，具备多方面技术亮点，有便捷部署方式和多场景应用模式。
告别 AI 土味审美！Kimi K2.5 实测：扔个视频复刻 iOS 级丝滑动效
Kimi 上线 K2.5 模型，前端审美佳，接近 Gemini 3，增强多模态识别，支持视频。测试显示它能按要求生成漂亮网页，还可通过反馈迭代。它对设计师和普通人帮助大，且 Agent 模式任务完成率高。
从 0 到 1 做一款 AI 产品：技术怎么搭、成本如何控制、销售策略怎么定？
独立开发者 Arvid Kahl 分享从零构建 AI 播客产品 Podscan 及「节俭工程」经验，涵盖技术搭建、成本控制与销售策略调整。如用小众云服务降成本，从 PLG 转向 SLG 等，为小团队创业者提供实用借鉴。
“我让AI在我的电脑上为所欲为！”MoltBook创始人：爆火的技术，其实简单到离谱
MoltBook创始人Peter Steinberger称其是OpenClaw的延伸，外界对它解读“戏剧化”，但从技术角度看没什么震撼之处。真正关键的是敢让模型在电脑上自由运行，他还想让Agent“做梦”，项目会保持开源。
豆包 Seed 2.0 Lite升级：给 Agent 装上眼睛和耳朵
近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。
吴恩达关注的Ling-1T背后，蚂蚁Ling 2.0技术报告解密万亿模型开源配方
AI导师吴恩达关注蚂蚁开源模型Ling-1T，其性能直逼闭源模型。蚂蚁集团通过《Ling 2.0 Technical Report》揭示技术配方，从架构、预训练、后训练对齐和基础设施四个层面构建推理模型，还分享失败教训，提供开源SOP。
字节Seed提出M3-Agent：像我们一样"记住"与"思考"的长视频理解新范式
字节Seed提出M3 - Agent，这是首个融合实时视听输入、类人记忆构建与自主推理的多模态智能体。它模仿人类记忆机制，解决长视频理解痛点，已被CVPR 2025收录并开源代码，为通用人工智能奠定基础。
41个榜单SOTA！智谱最新开源GLM-4.5V实测：看图猜地址、视频秒变代码
智谱基于GLM - 4.5打造的开源多模态视觉推理模型GLM - 4.5V，在42个公开榜单中41项夺得SOTA。其功能丰富，玩法升级，还为企业与开发者提供高性价比方案，是100B参数级SOTA标杆。
机器人竞技赛事刷屏，宇树们抢的不止是流量
今年人形机器人赛事不断，宇树科技直播机器人格斗赛，众擎、加速进化也有相关赛事。企业借赛事抢流量，展示技术实力吸引开发者，打造机器人平台。但赛事娱乐性强，商业化难，企业需找刚需场景落地技术。