搜索：中文音视频一体化

「中文音视频一体化」共找到 1159 篇相关文章

一个md文件收获超400 star，这份综述分四大范式全面解析了3D场景生成

南洋理工大学研究者发表《3D Scene Generation: A Survey》综述，系统归纳300+篇论文，将3D场景生成方法分四大范式解析，还总结应用，探讨挑战与未来方向，如保真度提升、引入物理约束等。

文章围绕爱诗科技旗下AI视频产品PixVerse展开，讲述其吸引全球6000万用户的历程。介绍创始人王长虎两次技术路线转型，先做To C再推API，还谈及B端业务场景及‘拍我AI’国内上线等情况。

作者认为除关注AI大模型进展，更期待家用机器人突破。如今具身智能已具备落地条件，像特斯拉、1X等公司在人形机器人领域有进展，作者乐观预计五年内人形机器人能成熟。

最近Google推出教育优惠，可免费使用15个月含Gemini Advanced等在内的AI产品。作者分享使用Gemini经验，指出其在上下文长度和生态打通方面优于ChatGPT，老牌厂商家底足，OpenAI下半场有压力。

AI时代数据库面临变革，使用者从人类应用扩展到Agent，管理的数据和承载的工作负载也发生变化。OceanBase坚持一体化设计，发布湖库一体的AI数据库，解决AI生产系统的数据基础设施问题。

谷歌股价下跌，核心团队被挖，引发对其大模型地位的担忧。但 DeepMind 创始人哈萨比斯回应有底气，谈技术观点，如靠文本模型难以实现 AGI，智能需理解物理世界，还提及水印、创意等问题。

快手发布新版多模态大模型Keye-VL-2.0-30B-A3B，率先将DSA机制引入多模态理解场景，解锁256K超长上下文深度感知，还首次解锁Agent协作机制。该模型在多方面表现出色，且将融入业务带来收益。

S-Lab等机构研究员提出Puffin统一多模态模型，它能整合理解相机参数与按参数生成对应视角图片的能力。通过“用相机思考”和400万组数据训练，解决此前模型问题，还构建相关数据集和评测基准，性能出色。

MC大神sammyuri时隔3年发布新作，在MC中复刻ChatGPT，名为CraftGPT。虽参数量小，但用Transformer架构，能和用户交互。模型训练用Python和小数据集，视频存档公布助理解原理。

通义模型家族新开源图像生成模型Qwen - Image，是通义千问系列首个图像生成基础模型。实测其对提示词理解到位，文字渲染高保真。它具备复杂文本渲染、一致性图像编辑能力，在多基准测试达SOTA。