「视频 - 音频联合生成」共找到 2045 篇相关文章
HF Papers直播 AI Insight Talk | OCR 专场
由Hugging Face等联合发起的【AI Insight Talk】系列直播活动第6场 - OCR专场明天开启。将剖析三项技术方案，举办圆桌对谈。还会有嘉宾介绍HunyuanOCR、PaddleOCR - VL、MinerU等模型的技术亮点。
本周 5 个火火火的Github开源项目，每个都很有说法！
本周介绍5个Github开源项目。ai - berkshire将投资大师方法论系统化；stremio - web聚合视频资源；archify能将大白话描述变成架构图；Maple - font是优化的编程字体；Netcatty整合SSH客户端等功能。
让机器人学会“预判接触”：它石智航牵头四大顶尖机构发布TacForeSight，破解精细操作难题
它石智航联合四大顶尖机构发布论文“TacForeSight: Force-Guided Tactile World Model for Contact-Rich Manipulation”，提出力条件触觉世界模型，让机器人能提前预判接触变化，在精细操作领域取得关键进展。
从3632个漏洞看AI时代的评测基准重构！VulnGym基准发布
随着新一代漏洞检测工具出现，漏洞检测走向理解业务风险。腾讯悟空安全团队联合多机构发布 VulnGym 评测基准，基于真实漏洞构建，覆盖 400+ 漏洞路径，71.2% 为业务逻辑漏洞，支持确定性评测。
解决VLA模型落地难，普通硬件也能跑！全透明全开源的高效VLA模型把推理成本砍掉76%
2026年4月，中山大学与MBZUAI联合推出A₁模型，它是完全开源透明、自适应高效的截断式视觉 - 语言 - 动作模型，能削减推理成本、实现低成本落地，在仿真与真机上表现优异。
AI for Science开年新突破：中科大实现多尺度结构逆向设计128倍加速，登上Nature子刊
中国科学技术大学联合多所院校，在多功能双连通多尺度结构逆向设计领域取得突破，成果发表于Nature Communications。研究解决核心瓶颈，提供新范式，在多方面展现优势与潜力。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
北大腾讯突破奖励模型瓶颈！让AI理解人类偏好，泛化能力比肩GPT-4.1
北京大学知识计算实验室联合腾讯等机构提出RewardAnything，突破奖励模型瓶颈。它让奖励模型理解自然语言评判原则，降低成本，泛化能力比肩GPT - 4.1，还能用于定制AI行为模式。
Lovart的开源平替产品，完全本地免费的AI设计Agent。
Lovart是热门AI设计Agent但使用成本高，现找到开源平替项目Jaaz。它接OpenAI绘图API，支持Comfyui等本地工具，能免费本地使用，功能丰富，还将推视频生成功能。
一个省略号提示+强化学习搞定大模型“过度思考”，中科院自动化所新方法：从强制推理到自主选择
中国科学院自动化研究所联合鹏城实验室提出AutoThink方法，用省略号提示和多阶段强化学习，让推理大模型依题目难度自主切换思考模式，解决过度思考问题，在多数据集验证有效。