「AI视频处理」共找到 10764 篇相关文章
2025 上半年具身智能融资复盘：金额超 200 亿、头部收敛趋势明显、传统制造业巨头增多
2025上半年具身智能融资火热，截至7月16日融资事件130件，预估总融资超200亿。资本从大模型转向具身智能，且向头部企业聚拢，大厂与传统制造巨头积极投资，不过行业仍处早期，上市前景待察。
首次综述「边-云协同计算」，分布式智能与模型优化的最新进展
边缘 - 云协同计算整合边缘节点和云端资源，解决传统云计算问题。最新综述论文系统梳理其架构设计、模型优化等方面，提出统一框架，还指明未来研究方向，如大语言模型部署、6G整合等。
Karpathy最新脑洞「细菌编程」：优秀的代码应该具备细菌的三大特质
大神Karpathy提出“细菌编程”新概念，代码要有小而精、模块化、自包含且易复制粘贴的特点，让开源社区发展。他还提出过“软件3.0”“氛围编程”等概念，这些脑洞或成未来编程范式信号。
Grok 4源代码刚刚泄露！上线倒计时，马斯克xAI估值破1130亿，大模型要变天
xAI再获百亿美元融资，估值飙至1130亿。xAI控制台已有Grok 4和Grok 4 Code源代码流出，计划7月4日后发布。Grok 4智能无与伦比，或打破o3在榜单的领先地位，xAI将成OpenAI等对手。
魔搭社区想做的，不只是模型平台
首届魔搭开发者大会在北京举行。魔搭社区发起人周靖人发布开发者勋章激励计划，是对「MaaS」理念的延展升级。魔搭已汇聚超500家机构，发布超7万个模型。会上还有影视、娱乐行业先锋带来跨界视角分享。
会“思考”的目标检测模型来了！IDEA提出Rex-Thinker：基于思维链的指代物体检测模型，准确率+可解释性双突破
现有目标检测方法有决策不透明和拒识能力不足问题。IDEA提出Rex - Thinker，引入“逻辑推理链”，构建可解释推理框架，经两阶段训练，在测评中准确率提升，可解释性强，有良好泛化能力。
终于开源升级OmniGen2，统一多模态图像生成模型，真的惊艳。
OmniGen2是强大的开源统一多模态图像生成模型，针对文本和图像模态构建独立解码路径，运用未共享参数。新架构提升处理效率和质量，在图像编辑等任务表现出色，还有多技术特点。
搜索 ≠ 简单匹配！0代码实现语义级图文互搜
在非结构化数据爆发增长的当下，传统图文检索方式难以满足企业需求。本方案介绍借助阿里云 Milvus 实现高效多模态图文检索，覆盖多场景，有开箱即用、性能强等优势，还给出架构、部署、验证及清理资源的方法。
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
首个全面梳理语音大模型发展脉络的权威综述，入选ACL 2025主会
香港中文大学团队语音语言模型综述论文《Recent Advances in Speech Language Models: A Survey》被 ACL 2025 主会议接收，这是该领域首个全面系统综述，指明语音 AI 未来方向，还剖析技术架构、训练策略等。