「文档到演示视频生成」共找到 1371 篇相关文章
MIDAS：快手可灵发布实时交互式数字人生成框架
近年来交互式数字人视频生成受关注，但实时处理多模态输入有挑战。快手可灵团队提出MIDAS框架，基于LLM驱动的自回归模型，结合轻量级扩散头，实现低延迟、交互式多模态控制，还构建大规模数据集等。
是「福尔摩斯」，也是「列文虎克」，智谱把OpenAI藏着掖着的视觉推理能力开源了
智谱开源视觉推理模型 GLM-4.5V，还同步开源桌面助手应用。此模型视觉推理能力强，在图像识别、视频理解、前端复刻、图表处理等多方面表现出色，技术创新使其达开源 SOTA 水平，推动行业注重实用价值。
大模型虽好，但恕我直言：在OCR面前，开源小模型更香
作者所在公司项目需处理大量纸质文档，起初考虑云端大模型API调用和开源大模型本地化部署，却因成本高、硬件要求高受阻。后经推荐调研PaddleOCR，其功能全、成本低、易用性强，最终被选为项目核心方案。
Harness Engineering实践，做了一个平台让AI一晚上自动评测和优化你的系统
作者分享搭建小平台实现全自动化评测与系统优化的实践，包括创建评测任务、集、报告等，通过钉钉文档、绘报等案例展示操作，还能自动优化系统，不过需系统UI规范、AI Coding含量高。
Sora 2 中国首测？Open AI 这次真成了！
OpenAI提前发布Sora 2模型，可克隆音色，支持多语言。还推出似AI版抖音的社交APP，免费生成视频。测试显示，它有世界知识，能多参生成、自动切镜头，在多方面表现出色，但版权限制严，部分一致性待提升。
Gemini 3.5深夜登场，谷歌CEO劈柴亲自算账：速度快4倍、一年还省超10亿美元，曝内部已被颠覆
北京时间5月20日凌晨，谷歌I/O开发者大会开幕。谷歌CEO展示惊人数据，发布Gemini 3.5、Gemini Omni等新品。Gemini 3.5速度快、成本低，改变谷歌内部工作方式；Omni可生成视频；还为Gemini应用和搜索框带来升级。
让AI作画自己纠错！随机丢模块就能提升生成质量，告别塑料感废片
来自清华、阿里等的团队推出S² - Guidance方法，通过随机丢弃网络模块动态构建子网络实现自我修正。它避免了其他方法繁琐调参，在文生图和文生视频任务中显著提升生成质量与连贯性，且计算高效。
评论送书 | Code Agent实战案例——用Pywen Agent、Claude Agent和Codex Agent从零开始构建一款网页游戏
本文展示用三大Code Agent依斯特鲁普效应构建网页游戏，对比其表现，还介绍让AI做测试方案、写文档，体现Code Agent在快速原型开发全生命周期的应用，还推荐相关书籍解答不同人群疑问。
我玩过的所有龙虾里，和飞书结合最好的就是它了，没有之一
作者分享ArkClaw使用体验，它与飞书结合佳，配置快。能读飞书文档、查日程，联网搜索用字节搜索引擎，还可装Skill生成报告等。虽有不足，但对中文用户实用，Coding Plan用户可免费体验。
OCR又出宠OpenDoc，速度超MinerU6倍
复旦开源的OpenOCR是面向通用OCR任务的开源平台，其OpenDoc是超轻量文档解析系统。它采用Pipeline模式，两阶段解析不易放大误差。UniRec - 0.1B有独特架构与分层监督训练等创新技术。