「多视角视频扩散框架」共找到 1359 篇相关文章
从视觉出发统一多模态！颜水成团队最新研究：不再把图像编解码器塞进LLM｜ICLR'2026
NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。
Qwen3-LiveTranslate：视、听、说全模态同传大模型！
Qwen3-LiveTranslate-Flash 是基于大语言模型的多语言实时音视频同传模型，依托 Qwen3-Omni 能力与海量数据，有多语言和方言支持、视觉增强等亮点，性能超主流大模型。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
全新唇同步技术OmniSync，遮挡，侧脸不在话下
唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
何恺明团队重磅新作：去掉VAE，无需Tokenizer，纯Transformer预测数据比预测噪声更高效
麻省理工学院何恺明团队发布颠覆性研究，指出主流扩散生成模型未做好去噪工作，回归洁净数据预测才是高维像素生成正解。团队设计实验验证观点，提出极简架构JiT，展现优越性能与扩展能力。
内容娱乐新风向：这群创业者靠多模态 AI 玩出了新花样
12月23日，「MASHANG DEMO TO DAILY」第二期活动在杭州开启，展示多模态AI探索成果。6位创业者分享精华内容，涉及游戏开发、虚拟社区、视频创作等领域，探讨多模态AI产品价值与发展方向。
中国机器人手机火爆MWC！老外快门按得根本停不下来
2026年MWC巴展上，荣耀推出的机器人手机Robot Phone引发关注。它有外接云台摄像头，能全角度AI视频通话、互动拍摄，还可结合旗下人形机器人联动。其结构压缩，AI能力强，打开了手机设计新思路。
Andrej Karpathy：做个好人，未来的 LLM 正在看着你
Andrej Karpathy 12 月 10 号写 blog，用现在视角为十年前 Hacker News 帖子自动打分，开源代码。他近期多篇文章探讨 LLM 相关，如可验证性、智能空间对比等，还启动 Eureka Labs。他认为未来 LLM 会审视当下行为。
告别噪声初始化：NTU MARS Lab提出A2A新范式，实现机器人高性能单步动作生成
新加坡南洋理工大学 MARS Lab 提出 Action-to-Action (A2A) Flow Matching 新范式，以历史机器人轨迹为生成起点，打破生成速度与精度瓶颈，在训练效率、推理速度及泛化表现上佳，还可扩展至视频生成领域。