「长视频理解」共找到 2145 篇相关文章
谢赛宁等推出统一多模态模型！替代VAE实现图像理解/生成双SOTA，代码权重数据集全开源
谢赛宁等团队推出统一多模态模型Blip3 - o，用扩散Transformer生成CLIP图像特征，采用顺序预训练策略。对比多种设计方案，确定CLIP + Flow Matching最佳，模型在多任务测试表现卓越且全开源。
Agent学会自己「长」Skill了！从失败里长出经验，比人类写的更好用｜ICML 2026
ICML 2026接收论文提出EvolveR，让Agent从自身成败轨迹自动蒸馏“经验”，经闭环生命周期形成“认知Skill”，维护经验库，用强化学习让其学会“使用经验”，在多跳问答表现优。
清华联手英伟达打造扩散模型新蒸馏范式！视频生成提速50倍，4步出片不穿模
清华大学朱军教授团队与NVIDIA Deep Imagination研究组联合提出分数正则化连续时间一致性模型（rCM），将连续时间一致性蒸馏扩展至大模型，解决现有方法瓶颈，提升推理速度兼顾质量与多样性。
这个开源工具让AI理解你正在操作的任何界面，俩学生辍学开发的产品，功能超多。
Everywhere是两个学生辍学开发的开源交互式AI助手，能感知屏幕内容，在任意界面使用。它功能多、细节优，支持多场景，集成多种AI模型，使用简单，还提供个性化体验。
攻克大模型「表格盲区」！ST-Raptor框架发布，实现复杂半结构化表格的精准理解与信息抽取
半结构化表格布局多样、结构复杂，让自动化数据处理困难。上海交大等团队发布 ST - Raptor 框架，提出 HO - Tree 数据结构及树上操作，构建 SSTQA 数据集，提升表格问答准确率，弥补大模型处理短板。
“40% 的智能体项目，将走向终止”！紫光股份董事长、新华三集团总裁兼 CEO 于英涛最新演讲全文
5月8日，新华三NAVIGATE 2026峰会召开，于英涛演讲指出，当下AI产业亢奋与焦虑并存。他提出行业三大命题，并介绍新华三全栈产品UniPoD S80000。还提及产业与信仰筑基，分享AI时代的真相与信念。
阿里Qwen3.5小模型发布：0.8B参数就能处理视频，边缘AI时代真的来了
阿里通义千问发布Qwen3.5系列四款小模型，采用Gated DeltaNet混合注意力机制。有原生多模态设计，解决“内存墙”问题。在多基准测试中表现出色，开发者反响好，但也存在幻觉级联、调试局限等问题。
AI Agent 是长期运行的“风险系统”，如果你还只在防 Prompt Injection，说明已经落后一代了
AI安全公司CyberArk首席软件架构师Niv Rabin团队提出基于“指令检测”与“历史感知校验”的方法，防御大语言模型和AI Agent恶意输入与历史投毒攻击，介绍多种防御机制。
5Y News｜Kimi发布并开源 K2.5 模型，带来全新视觉理解、代码和Agent集群能力
2025年1月27日，月之暗面发布并开源Kimi K2.5模型，它是迄今最智能全能的模型，在多任务有出色表现。支持多模态输入，具备新能力，还推出Kimi Code工具，集群能力也开启Beta测试。
OpenAI首席研究员Mark Chen长访谈：小扎亲手端汤来公司挖人，气得我们端着汤去了Meta
OpenAI首席研究官Mark Chen在访谈中爆料Meta抢人大战升级成送汤大战，还谈到OpenAI核心研究团队规模、应对Gemini 3策略等。他认为OpenAI本质是研究公司，有信心在预训练和模型性能上超越对手，还提及OpenAI for Science等计划。