「视听场景理解」共找到 2613 篇相关文章
DeepMind率先提出CoF：视频模型有自己的思维链
DeepMind在Veo 3论文中提出帧链CoF概念，类比语言模型CoT，让视频模型能时空推理。实验显示Veo 3有通用视觉理解能力，能零样本解决视觉任务，未来通用视频模型或取代专用模型。
小扎又开源了：7B实现自监督学习SOTA
Meta发布全新开源视觉模型DINOv3，首次证明自监督学习模型能在广泛任务中超越弱监督学习模型。它用无标注方法，扩展数据和模型规模，支持标注稀缺场景，在多任务实现SOTA。
抽象小视频秒变特效大片：原视频精髓不变角色环境任意换，Luma出品
Luma AI推出Modify Video玩法，能将抽象小视频爆改为特效大片，可对角色、场景等任意换，还保留原视频动作运镜。能进行视频动捕、风格迁移、单个元素编辑，性能超越同行Runway。
治好多模态近视和走神！上海大学去偏干预显著提升模型性能
多模态大模型存在“近视”和“走神”问题，总是过度关注图像底部而忽略核心内容。上海大学与南开大学研究团队用两条数学公式去偏干预，无需增加计算成本，却能显著提升主流模型视觉理解能力。
被Anthropic强制改名！Clawdbot 创始人一人开发、100% AI 写代码，腾讯又跟上了热度
个人AI助手ClawdBot席卷硅谷，后被Anthropic强制改名Moltbot。它由Peter Steinberger一人开发，近乎100%用AI写代码。该项目已开源，有诸多亮点，但也存在安全隐患，网友使用场景多样。
英伟达Run:ai没做到的，被华为开源方案实现了
传统存储难满足AI需求，存储需向‘智能存储’演进。华为数据存储团队推出系列产品和开源工具链，其Flex:ai对标Run:ai，更开源底层，能解决行业算力痛点，已在医院场景落地。
斯坦福新论文：微调已死，自主上下文当立
斯坦福大学等机构研究人员新论文指出，依靠上下文工程，无需调整权重，模型也能变聪明。他们提出智能体上下文工程ACE，不依赖模型重训，让上下文自主进化，在多场景测试中表现优于多种方法。
AI产品能不能火，全看创始人会不会当“网红”？这届AI大佬不拼代码了，个个都是隐藏的社交媒体达人
本文指出当下AI创业者纷纷成社交媒体达人，利用小红书等平台为产品冷启动。还强调社交传播对AI产品至关重要，但不能替代技术壁垒。同时分析初创公司应深耕场景，抓住时间差打造竞争力。
谷歌最新「0.27B」Gemma 3开源！身板小却猛如虎，开发者直呼救命稻草
大模型时代开发者算力焦虑严重，谷歌Gemma 3系列另辟蹊径。新成员Gemma 3 270M参数规模小但性能强，如在IFEval测试表现突出，有小体积强架构、省电等亮点，适用于多场景。
在WAIC，比起看机器人打拳，人们更想知道怎么用AI赚钱
7月27日普通观众参观日，WAIC现场火爆。本届大会规模为历届之最，机器人与模型厂商纷纷展示落地应用。机器人从“能动”走向“会干”，模型厂商聚焦场景，投融资锚点转向商业指标。