「音视频实时交互模型」共找到 1736 篇相关文章
Yann LeCun离开Meta后首篇论文？使用了宇树机器人做研究
伯克利、纽约大学等团队发表论文，提出GenMimic方法，让机器人能零样本复现AI生成视频动作。Yann LeCun是共同导师之一。团队构建GenMimicBench数据集，经仿真和真实实验验证方法可行。
李飞飞3D世界模型公测，网友已经玩疯了
今日李飞飞创立的World Lab推出全新3D世界生成模型Marble并开启公测。普通人能靠文本等生成专属3D世界，还能在VR体验。它功能强大，未来将重点发力交互性。
国产算力Day 0适配，一人剧组时代到来，商汤Seko 2.0降本增效让AI短剧真正落地
商汤Seko 2.0率先实现创编一体与多剧集智能生成，通过一致性控制技术与国产算力适配，缩短漫剧制作周期。它解决了AI视频生成痛点，降低成本、提升效率，适配国产芯片，还拓展了内容生态。
打破幻觉！Qwen最新OCR让印章、表格、公式识别准确率飙升45%
基于推理增强框架的视觉语言模型处理OCR任务有成果，但存在生成幻觉问题，特定领域不如专家模型。DianJin - OCR - R1通过推理与工具交互，按‘思考 - 调用工具 - 重新思考’流程提升OCR性能，减少幻觉。
不只是聊天：Gemini Agent Mode 深度集成 Android Studio，可直接修改项目
谷歌为 Android Studio 推出集成 Gemini 的 Agent Mode，在最新预览版上线。它以整个项目为上下文，能直接修改项目、执行多步骤任务，可通过 MCP 与外部工具交互，但预览版有不足，谷歌正解决。
颠覆传统向量数据库，直接将文本数据编码成视频文件，轻量级革命性的大规模AI记忆解决方案Memvid
Memvid将文本数据编码为视频，改变AI记忆管理，实现百万级文本块闪电语义搜索和亚秒级检索。它存储高效、轻量级、可离线，应用场景广，还给出安装、使用、配置等说明，并与传统方案对比。
Qwen-AgentWorld：一个语言世界模型，模拟七大Agentic领域
今天正式发布 Qwen-AgentWorld，它是首个原生语言世界模型，能在七大领域模拟智能体交互环境。同步发布 AgentWorldBench 评测基准。Qwen-AgentWorld 经三阶段训练，在评测中表现出色，还探索两种范式增强通用智能体能力。
Agent RL 总是训练崩？UCLA 这篇论文给了救命稻草！
这篇解读UCLA和威斯康星大学麦迪逊分校论文《ARLArena: A Unified Framework for Stable Agentic Reinforcement Learning》的文章指出，Agent RL训练易崩溃，原因在于多轮交互任务带来奖励稀疏等问题。论文建“竞技场”，提出SAMPO算法提升稳定性，还给出从业者建议。
字节Seedance，正在占领好莱坞
字节Seedance从被好莱坞排斥到被认可，进入创作者圈与工作流，用于拍电影长片。它成本低且有免费福利，吸引独立电影人。在AI视频模型竞赛中逼近美国对手，影视业对AI投入将上涨。
Nano Banana Pro上线！集成Gemini 3与Veo 3，谷歌不给竞争对手喘息机会
谷歌推出最强文生图模型Nano Banana Pro，又名Gemini 3 Pro Image，整合Gemini 3 Pro多模态理解能力与谷歌搜索知识库。它提升文字渲染等能力，支持多种分辨率和格式，还集成视频生成模型，覆盖多类用户。