「多模态识别」共找到 1147 篇相关文章
通用级PixVerse P1的技术突破，揣着进入平行世界的密码
PixVerse R1 突然上线，带来「即时响应、即看即创」新体验。它是全球首个支持最高 1080P 分辨率通用实时世界模型，实现从「静态输出」到「实时交互」跨越，本文将解析其技术突破。
英伟达开源上瘾了！推出了一款实时语音智能体的终极 ASR：24ms 极速锁定。
英伟达开源了Nemotron Speech ASR模型，它是低延迟、实时流式语音识别模型，单句转录锁定仅需24毫秒。其核心能力包括缓存感知、运行效率高、动态运行灵活，还被放进完整语音智能体方案。
从算法天才到机器人造梦者，原力灵机范浩强详解具身智能进化论：模型解锁场景，场景定义硬件
AI 前线深度访谈原力灵机范浩强，探讨其创业选择、具身智能技术演进与产业趋势。他认为机器人是 AI 绕不过的点，2025 年硬件与算法拼图开始对齐，原力灵机强调算法先行，还分享了保证算法演进的路线。
从大厂设计师到超级一人公司：6000字回顾我和AI的2025
作者回顾2025年，身份从大厂设计师变为自由职业者，用AI加持做超级一人公司。自媒体上各平台粉丝量增长，开始做视频；社群活动帮创业者和会员；创作涵盖Vibe Coding、Agent、图像视频等；还介绍合作产品，展望2026年AI趋势。
分割一切、3D重建一切还不够，Meta开源SAM Audio分割一切声音
Meta 深夜放出音频分割模型 SAM Audio，可通过多模态提示分离任意声音。其核心 PE - AV 推动性能领先，还发布评测模型、基准等，整合进新平台，虽有局限但为音频 AI 带来新可能。
整体工程：有机解决复杂演进系统中的问题
软件开发中项目延期、架构偏离等问题，常由非技术力量导致。整体工程将这些力量纳入技术决策，能解决复杂演进系统问题，还介绍了实践方法及好处。
从VLA到RoboOmni，全模态具身新范式让机器人察言观色、听懂话外音
复旦大学等联合推出全模态端到端操作大模型RoboOmni，统一多模态，实现动作与语音协同控制。它重新定义机器人交互范式，让机器人具备“察言观色”能力，还构建了OmniAction数据集，实验表现全面领先。
Meta开源史上最强语音“基座模型”：一口气支持1600+种语言
Meta AI FAIR团队发布Omnilingual ASR模型套件，能为超1600种语言提供自动语音识别能力。它引入新架构提升性能，改变引入新语言范式，还发布相关数据集和模型，与全球伙伴合作。
内存直降50%，token需求少56%！用视觉方式处理长文本
在NeurIPS 2025论文中，南京理工大学等校研究团队提出VIST框架，为大语言模型长文本高效推理提供视觉解决方案。它模仿人类阅读机制，让模型具备选择性阅读能力，减少Token需求和内存使用。
均值至上假繁荣！北大新作专挑难题，逼出AI模型真本事
当强化学习成大模型后训练核心工具，主流方法陷入「均值优化陷阱」，推理能力停滞。北大团队提出RiskPO，将风险规避理念融入优化目标，用MVaR+捆绑策略双管齐下，三大任务表现优异。