「长视频理解」共找到 2145 篇相关文章
开源多模态大模型EarthMind，观测地球统一框架
地球观测数据复杂，现有多模态模型难适用。意大利、德国多所高校研究人员联合开源多模态大模型EarthMind，引入空间注意力提示模块，实现跨模态融合和多粒度理解，解决地球观测难题。
不用拍的广告片？深度拆解美团闪购AIGC营销新案例
美团闪购与AI达人共创两支AIGC营销视频，以“技术为品牌说话”。“西游篇”突出“快”，“神话篇”展示“多”，用AI生成“超现实”场景包裹品牌价值，为行业提供营销示范。
老牌Transformer杀手在ICLR悄然更新：Mamba-3三大改进趋近设计完全体
Transformer架构仍是AI主流，Mamba作为挑战者影响力大。Mamba-3在ICLR 2026盲审，有梯形离散化、复数化状态空间模型、多输入多输出状态空间模型三大改进，实证表现佳，适合多场景。
OmniAvatar震撼开源！阿里夸克开源全新音频驱动角色模型
音频驱动人体动画技术有局限，阿里夸克团队推出OmniAvatar模型。它用逐像素多层次音频嵌入和LoRA训练法，解决唇动同步等问题，适用于多领域，但也存在颜色偏移等不足。
MiniMax M3 实测：第一流的模型，已经对执行层动手了
文章对 MiniMax M3 模型进行多维度实测。它强化 Coding 与 Agent 能力，能完成长任务，与 Sonnet 4.6 竞技各有优势，多模态能力强，价格有竞争力，MiniMax Code 意在争夺开发者工作流入口。
干掉同传？谷歌把AI同传放入所有耳机，顺手发了个颠覆性的AI浏览器
Google加速将Gemini融入核心产品线，向Google翻译引入其能力，带来实时语音翻译Beta版，提升文本语境理解，扩展语言学习工具；还推出实验性浏览器Disco，用AI重构网页浏览体验。
AI精准编辑门槛大降：开源框架提升编辑一致性，即插即用
近日，中山大学、香港中文大学等团队发布研究成果ProEdit。它通过对注意力机制和初始噪声潜在分布处理，实现高精度图像与视频编辑，无需训练、即插即用，解决编辑效果与一致性平衡难题。
Agent下半场！比Prompt更重要的是「上下文工程」，Anthropic首次系统阐述
Anthropic发文章阐述上下文工程，指出构建语言模型重点正从提示工程转向上下文工程，探讨了其与提示工程区别、重要性，给出实践指导原则、新趋势及应对长时程任务策略。
【CUDA 博客】使用PTX指令更高效地加载和存储矩阵
文章围绕使用PTX指令高效加载和存储矩阵展开，介绍`ldmatrix`和`stmatrix`指令格式、适用GPU版本、地址计算逻辑等，给出不同矩阵数量的实现代码示例，助读者理解和应用。
这几个开源项目火起来啦，抓紧收藏哟起来！！！
本文介绍三个热门开源项目。KnowNote 是本地优先的 AI 知识笔记工具，是 Google NotebookLM 开源替代方案；Remotion 让开发者用 React 技术栈制作视频；Superpowers 可让 AI 编程助手升级为智能开发伙伴。