「视频编码器」共找到 1032 篇相关文章
视听分离SOTA提速6倍！清华发布首个6M高性能模型｜ICLR'26
清华大学团队推出Dolphin模型，仅用6M参数，通过离散化视觉编码和热扩散注意力机制，实现单次推理精准分离语音，速度提升6倍以上，在多项基准测试中刷新纪录，为端侧设备部署开辟新路。
锁定角色，「多主体」也可控！个性化文生图，给你PS般交互体验
LayerComposer革新个性化图像生成，能让用户如在Photoshop般操控元素位置、大小，解决传统方法交互性与多主体扩展难题。它有分层画布、锁定机制、模型–数据共设计三大特点，实验表现出色，未来将促进人机协同创作。
OmniAvatar震撼开源！阿里夸克开源全新音频驱动角色模型
音频驱动人体动画技术有局限，阿里夸克团队推出OmniAvatar模型。它用逐像素多层次音频嵌入和LoRA训练法，解决唇动同步等问题，适用于多领域，但也存在颜色偏移等不足。
告别Sora！从巅峰到黯然离场不到一年半，团队将转向物理AI
2026年3月24日，OpenAI宣布关闭视频生成应用Sora。Sora曾惊艳全球，但因合规麻烦、行业阻击、算力成本高、商业回报低等问题走向关停。团队将转向物理AI，聚焦世界模拟研究。
豆包 Seed 2.0 来了：字节模型跨越鸿沟
春节前字节发布豆包大模型 2.0，其在 Text 领域进入榜单前十，视觉能力全球第四且成本低。它定位多模态 Agent 模型，有多种能力升级，文中用多个案例展示其强大，还强调字节重原生能力非简单蒸馏。
DeepSeek-OCR降本增效，10×暴力压缩还能读得清
Deepseek - OCR模型发布，通过光学压缩技术解决长文本处理的计算效率问题，能控制大模型token消耗成本。介绍了其架构设计、数据引擎及训练流程，还展示其用较少token超越现有模型的能力。
LLM 长文本处理的“不可能三角”？我们用 E2LLM 把它破解了！
长文本理解与推理是LLM的难题，存在效果、速度、兼容性的“不可能三角”。蚂蚁集团和华东师范大学提出E2LLM新范式，实现三者平衡，在效果和效率上表现出色，开启长文本处理新篇章。
Sora2“复活”已故名人，家属强烈反对
Sora 2走红后肖像权问题成焦点，有人用其“复活”迈克尔·杰克逊、罗宾·威廉姆斯等已故名人。罗宾女儿等家属强烈不满，OpenAI称公众人物及其家属应控制形象使用，美影协要求其解决侵权问题。
2025 年 InfoQ 趋势报告：AI、ML 和数据工程
InfoQ AI ML 趋势报告基于编辑团队与嘉宾播客，总结 AI、ML 技术发展趋势。涵盖 AI 代理、多模态语言模型等创新领域，也提及早期采用者、早期多数、晚期多数类别的技术，还对 2025 年相关领域发展作出预测。
腾讯张正友：具身智能必须回答的三个「真问题」
7月27日，腾讯发布具身智能开放平台Tairos。发布会后，腾讯张正友剖析战略选择背后的三个核心问题：架构上主张分层架构；认为具身智能第一性原理是身脑融合；强调要为长远目标放弃短期商业利益。