搜索：音视频实时交互模型

「音视频实时交互模型」共找到 1736 篇相关文章

中大 × MBZUAI重磅开源！A₁：全透明高效 VLA 模型，机器人实时控制成本直降 76% 丨CVPR 2026 Findings

开放世界机器人操作被大模型算力成本和推理延迟难题困住，中大与MBZUAI团队推出全开源的A₁模型，其自适应推理方案降低推理延迟和骨干计算量，性能超主流基线，打破‘高性能=高成本’魔咒。

阿里通义千问发布Qwen3.5系列四款小模型，采用Gated DeltaNet混合注意力机制。有原生多模态设计，解决“内存墙”问题。在多基准测试中表现出色，开发者反响好，但也存在幻觉级联、调试局限等问题。

KAUST团队提出全新方法V2M4，能从单目视频直接生成高质量、显式的4D网格动画资源。该方法构建多阶段流程，涵盖相机轨迹恢复等关键步骤，平均每帧约60秒，比现有方法显著提速，论文已被ICCV 2025接收。

GitHub爆火的隐形AI桌面助手Glass，开源2天Star超3.3K。它由Pickle团队开发，能捕捉屏幕和音频活动，转化为结构化信息。适合会议记录等场景，有屏幕活动捕捉等核心能力，提供不同系统安装方式。

谷歌在I/O大会放大招，升级所有AI模型，重做原有产品，推出诸多实验性新产品。如Gemini 2.5系列升级，具备新功能；还有异步代码助手Jules、新搜索模式等，多模态模型也全线升级。

新加坡国立大学邵林团队提出T (R,O) Grasp，这是基于物体—机器手空间关系建模的图扩散架构，有跨智能体统一表征能力，在多种智能体上平均抓取成功率达94.83%，刷新跨智能体灵巧抓取SOTA。

谷歌开源MCP Toolbox获1.9K Star，支持langchain、llamaindex和各类数据库。它位于应用编排框架间，能简化数据库配置等，可用自然语言交互，还给出python调用方法。

介绍开源桌宠 Clawd，它是为 AI 编程助手设计的实时状态监控器，有 12 种萌趣动画状态，支持 10+ 主流工具，具备权限审批等实用功能，零配置开箱即用。

OpenAI官宣ChatGPT Pulse上线，它改变LLM交互方式，从被动变主动。每晚研究，晨送简报，涵盖工作、生活、兴趣目标。其主动受用户控制，还给出三个试用场景。

OpenAI发布GPT-5.3-Codex-Spark，它是专为实时编程设计的超高速模型，生成速度超每秒1000个token，联手Cerebras硬件，重写底座提升性能，在多项测试表现强，ChatGPT Pro用户可尝鲜。