「多模态视频推荐」共找到 2086 篇相关文章
蚂蚁多模态统一框架Ming-Omni：能看懂世界、会说话、还能画画
文章介绍蚂蚁多模态统一框架Ming - Omni，它可统一处理图像、文本等多模态数据。该框架解决了多模态训练中模态表示差异、收敛速度不一致等问题，采用分阶段预训练，能用于图像、音频生成及多模态交互。
攻克长文档与多模态挑战，Paper2Video实现学术视频的自动化生产
新加坡国立大学 Show Lab 团队主导研究，提出 Paper2Video 基准及评价指标，还推出 PaperTalker 多智体框架实现学术视频自动化生产，实验显示其在多方面表现佳，效果接近人工水平。
Seedance 2.0之后，又一中国视频模型SkyReels-V4登上全球第二
昆仑天工发布SkyReels V4视频大模型，在Artificial Analysis Arena基准测试中排全球第二。它支持多模态输入、音视频同步生成等，采用独特架构与技术，经多阶段训练，有全新评估基准，表现出色。
马斯克视频生成模型首次交卷！电影级运镜+音效，免费可玩
xAI的“迄今为止最强大的视频音频生成模型”Grok Imagine 1.0正式全面上线。该模型支持文生视频、图生视频，音频效果出色，还擅长日常趣味创作。其在视频生成和剪辑性能领先，官网可免费玩。
季度AI视频生成产品：多模态输入成标配，角逐一站式生成能力 | 量子位智库AI 100
Sora2下载量破百万引发AI视频生成热潮，谷歌推出Veo3.1再掀高潮。国外大厂将其卷至电影制作级创意，国内企业追求高质量、秒级生成并落地垂直场景。量子位智库发布的产品呈现多维度技术演进。
小红书RecSys 2025最佳论文提名背后：破解视频时长预测难题
小红书推荐算法团队论文《Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network》在 RecSys 2025 获最佳论文提名。该文剖析视频时长预测难题，提出 EGMN 模型，线下线上验证效果佳。
世界模型有了开源基座Emu3.5！拿下多模态SOTA，性能超越Nano Banana
北京智源人工智能研究院的悟界·Emu3.5是最新最强的开源原生多模态世界模型，能处理图、文、视频任务，在多项权威基准上性能亮眼，还具备理解长时序等能力，背后有技术创新，且选择开源。
AI玩拼图游戏暴涨视觉理解力，告别文本中心训练，无需标注的多模态大模型后训练范式
在多模态大模型后训练浪潮中，现有方法多以文本为中心。MMLab@南洋理工大学提出Visual Jigsaw，将拼图任务用于后训练，让模型不依赖标注强化视觉感知与理解，在图片、视频和3D模态验证有效。
谷歌 AI Studio 实时视频对话终于支持中文了！屏幕共享+语音，Gemini 2.5 Flash 原生音视频加持。
谷歌AI Studio实时视频对话支持中文，有Gemini 2.5 Flash原生视频对话模型。使用方便，还提供多种音色，有让模型在无声时发音视频等功能，可用于设计、学习、修电脑等场景。
全球功能最全的视频生成模型来了
阿里发布新一代通义万相2.6系列模型，是全球功能最全的视频生成模型，覆盖文生视频等多种模式。它在视频创作和文生图方面能力提升，虽有小瑕疵，但日常短视频和二创已可用。