「多模态语音理解大模型」共找到 1763 篇相关文章
DeepMind发布SIMA 2！打通「感知-推理-行动-反思」闭环
DeepMind推出的SIMA 2，可让智能体在虚拟环境中边聊天边进行复杂多模态推理。它整合Gemini能力，从指令执行者变为互动伙伴，有强大迁移泛化与自我提升能力，是迈向AGI重要一步，但也面临一些挑战。
社区供稿丨MiniCPM-V 4.5 技术报告正式出炉
上个月开源的多模态模型 MiniCPM-V 4.5 广受好评，今日其技术报告出炉。报告从架构、数据和训练三方面探索高效路径，提出三大技术，使模型在多任务上突破，小参数规模下性能和推理速度佳。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
李飞飞自曝详细创业经历：五年前因眼睛受伤，坚定要做世界模型
在a16z播客节目中，“AI教母”李飞飞讲述创业经历。五年前眼伤失立体视觉，让她意识到其对空间交互的决定性作用。她认为真正通用智能需理解物理世界，与Martin Casado一拍即合创立World Labs，加速世界模型突破。
Gemini 3 Pro加持！这款开源神器 Clipsketch AI，帮你自动抓帧、画图、写爆文！
自媒体内卷，‘视频转图文’是流量入口，简单截图难满足需求。clipsketch - ai 开源项目用 Gemini 3 Pro 和 Nano Banana Pro 模型，实现视频理解、AI 绘画和写作自动化，解决创作者素材整理、版权等痛点。
穿越周期的早期投资：从赛道思维到认知红利｜甲子引力
2025 年 12 月 3 日，「甲子光年」举办年终盛典，科技产业投资专场圆桌对话探讨早期投资从“赛道思维”到“认知红利”转变。英诺王晟主持，红杉张涵等嘉宾参与，指出决胜点在对人、周期和非共识的理解。
锁死一致性！Vidu Q2「参考生」可算来了，新功能强到离谱，APP全面进化
生数科技Vidu Q2「参考生」功能全球正式上线，APP端全面改版。新上线「视频延长」功能，最长扩展5分钟，还在一致性、速度、成本等方面优化，在镜头语言、语义理解等表现出色，APP社交体验好。
首个3D动作游戏专用VLA模型，打黑神话&只狼超越人类玩家 | ICCV 2025
淘天集团未来生活实验室团队提出首个3D动作游戏专用VLA模型CombatVLA，已被ICCV 2025接收。它能处理视觉输入输出动作指令，在战斗理解准确率和执行速度上表现优异，还构建了评测基准等。
月费200刀的AI浏览器，Perplexity Comet的真实体验如何？
以AI搜索引擎著称的Perplexity推出Comet浏览器，自称「AI Agent原生」。它试图解决「理解」和「运用」信息的难题，通过Comet助手整合标签页，还具备代理执行能力。不过其发布策略和用户习惯问题带来挑战。
爆火的 AI 玩具赛道，全行业都在等一个「成功者」
过去一年，AI玩具创业火热，众多大厂背景创业者入局。但现状尴尬，鲜少有能售卖产品，已推出的产品反馈不佳。目前AI玩具实质多为毛绒玩具加语音盒子，创业者面临技术和成本等难题。