「视频 - 音频联合生成」共找到 2045 篇相关文章
刚刚，马斯克「金色擎天柱」首曝！这双真人手刷屏，50万年薪岗危了
Salesforce创始人放出全新Optimus视频，其金色外观、类人手部引关注，网友猜测Optimus 3要来了。马斯克称今年目标产5000台，2026年达5万台。同日，Figure公司的02能自主装碗入洗碗机。
让AI读懂「言外之意」：AI4SG团队发布首个心理健康污名语料库，破解隐性偏见识别难题
心理健康患者常面临社会偏见，且这种污名化隐蔽难识别。新加坡国立大学AI4SG团队联合多学科专家，构建首个心理健康污名访谈语料库MHStigmaInterview，获ACL 2025认可，为解决该社会问题提供技术支持。
2025-06 - 念头通达（月度小结）
作者 2025 年 6 月月度小结，称不再想读博、不追求研究工作，认为有让人幸福的工作。工作上 Agent 落地有收益，探讨平台化提效，还分享选业务的乐观心态，也提及消费和做视频情况。
Runway重夺全球第一！1247分碾压谷歌Veo3，没有千亿算力也能干翻科技巨头
Runway Gen - 4.5击败谷歌Veo3，以1247的ELO分数在Artificial Analysis榜单中重夺AI视频王座。它在多方面树立新标杆，虽有局限，但创始人认为其是通用模拟引擎，应用场景广泛。
Being-VL的视觉BPE路线：把「看」和「说」真正统一起来
北大、UC San Diego 和 BeingBeyond 联合提出 Being-VL 的视觉 BPE 路线，先将图像离散化并「分词」，再与文本统一建模，能缩短跨模态链路、保留视觉结构先验，还介绍了实现步骤、训练方式等。
Nano Banana官方提示词来了，附完整代码示例
Nano banana正火爆全球，谷歌推出官方提示词指南。文中展示其强大效果，如人物合照、生成动画视频、换脸等，还总结其5大核心功能，给出6类提示词及代码示例。
The Batch: 931 | 统一视觉媒体的单一分词器
Apple团队开发多维分词器AToken，可将图像、视频、3D对象映射到共享token空间，统一处理视觉媒体。它由预训练编码器和解码器组成，经多阶段训练，在多任务上达或接近先进水平，为视觉模型带来通用性。
OpenAI携手五巨头开源革命性超算协议：一举解决超大集群LLM训练不稳定和网络性能难题
OpenAI联合英伟达等五巨头推出超算开放网络协议MRC并正式向行业开放。MRC目标是性能可预期，有多平面网络、自适应包喷射、SRv6源路由三大核心机制，已在OpenAI多台超级计算机上部署。
空间智能新作，影石开源户外全景重建算法
近日，Insta360 研究院联合高校提出 PanoLOG，首个面向全景输入的大规模户外三维重建工作。它解决全景分区难题，在多基准上取得领先渲染质量与小模型体积，还为户外具身智能等提供新思路。
Claude Mythos官宣！性能碾压Opus 4.6，因太危险遭「囚禁」
Anthropic官宣最强模型Claude Mythos预览版，性能全方位碾压Opus 4.6。但它存在致命缺陷，攻击安全漏洞能力超多数黑客。Anthropic暂不向公众开放，联合巨头开展安全计划，称需各方共筑网络安全。