⌘ K
… 读取采集状态 同步中...
雷

#多模态

今日 4 条
8月12日周三
  1. 行者AI视频54

    行者AI视频分享天宫场景生图与视频运镜Skill及实践方法

    作者分享了制作仙侠天宫AI视频的实践经验，并开源了两套Codex Skill，用于生成稳定的静态图和短视频提示词。生图Skill通过锁定构图、压小人物比例、明确建筑构件轴线及分层云海来防止画面崩坏；视频Skill则将静态图转换为包含时间轴、镜头缓推、人物微动及环境动态约束的提示词，通过限制运动幅度来保持画面稳定。文章总结了六条防崩技巧，指出AI视频稳定性在生图阶段已决定一半，需提前规划动态要素。

  2. 极市平台62

    清华天眸芯相关工作再登Nature Sensors封面，开源TianMouCV工具链

    清华大学类脑计算研究中心团队继2024年天眸芯登上《Nature》封面后，最新研究又登上《Nature Sensors》封面，提出两阶段类脑感知学习范式，通过自监督构建内部模型IGFNet，从真实退化数据中学习视觉表示并解码出视觉真值估计e-VGT，用于单目深度估计和视频实例分割等下游任务。

  8. Google Research85

    AMIE 视频版实现专家级实时音视频临床咨询

    Google Research 团队基于 Gemini 与 Project Astra 推出 AMIE (Video)，在实时视频临床咨询中实现专家级表现。一项包含 100 个场景、300 次咨询及 30 名执业医师的随机研究显示，AMIE 在病史采集、诊断准确性及管理方面与执业医师相当，且在体格观察方面评分更高。

    推荐理由：原文展示了 AMIE 视频版在模拟场景中与执业医师能力持平的研究结果，为多模态医疗 AI 提供了关键的实证参考。

8月11日周二
  1. DeepTech深科技52

    清华类脑团队连续三年两登 Nature 封面：用视觉原语让 AI 学会看世界

    清华大学类脑计算研究中心团队连续三年两度登上 Nature 封面，最新成果发表于 2026 年 8 月 Nature Sensors。该团队孵化的晰见科技推出了天眸芯（TianMou）视觉传感器，将视觉信息拆解为 RGB、时间差分和空间差分三种原语，组织为认知与动作两条互补通路，在传输带宽降低 90% 的情况下实现 10,000 帧/秒的高动态范围感知。

  4. 数字生命卡兹克29

    微信小微推出朋友圈 AI 帮写、AI 点评及公众号 AI 总结功能

    微信基于小微上线朋友圈“AI 帮写”、“AI 点评”及公众号“AI 总结”功能。AI 帮写可根据图片和文字生成三条朋友圈文案，AI 点评支持评价并辅助生成评论，公众号 AI 总结常驻置顶以提炼常看文章。作者认为这些功能将社交内容交由 AI 生成，削弱了朋友圈记录真实生活与人际互动的核心价值，可能重塑内容创作生态。

8月10日周一
  8. AIGC开放社区85

    通义万象开源 Wan-Animate-2 角色动画框架

    通义万象开源 Wan-Animate-2，这是端到端角色动画框架，DiT 直接喂驱动视频无需提取骨架，支持 24 fps 实时流式输出。相比前代它减少手部形变，支持多角色和多机位动画。Lite 版本在 4 张 H100 显卡上实现 400×720 分辨率 3 步去噪，达到实时阈值，模型权重已公开并提供英特尔锐炫 Pro B70 显卡适配。

    推荐理由：开源角色动画框架 Wan-Animate-2 实现端到端生成与 24 fps 实时流式输出，为数字人直播提供低成本方案。

  10. Hugging Face Blog80

    Meta 发布开源多模态本地智能体模型 Muse Glimmer

    Meta 发布 30B 参数多模态模型 Muse Glimmer，支持本地智能体用例并采用 Apache 2.0 许可证。 模型基于 Muse 蒸馏，配备 2B Perception Encoder 与 DFlash 投机解码，提供文本、图像、视频及多模态工具调用能力。

    推荐理由：文章展示了 30B 多模态模型在本地运行、自我量化与部署上的能力，为隐私敏感场景提供了可落地的工程参考。

8月9日周日
  2. 深度学习与NLP89

    Jeff Dean宣布离职创立Discovery Loop，谷歌股价下跌4%

    谷歌DeepMind和谷歌研究院首席科学家Jeff Dean宣布离职，与Sanjay Ghemawat、Quoc Le和Oriol Vinyals共同创立公益性创业公司Discovery Loop，致力于实现机器学习、科学和工程的自动化。

    推荐理由：Jeff Dean等谷歌核心大佬离职创立Discovery Loop并引发股价波动，是解读谷歌内部AI权力架构重组的关键节点。

8月8日周六
  1. 新智元58

    Remember-R1 解决多模态长链推理中的视觉遗忘

    西北工业大学等机构研究团队提出 Remember-R1，通过在强化学习后训练中加入视觉词汇、记忆和关键区域三种过程奖励，解决多模态模型长链推理中依赖文本自洽而忽视视觉证据的分布性视觉遗忘问题。7B 模型在七项基准测试中全部优于基座模型，其中 MMVet 从 59.44 分提升至 72.37 分。

  4. 腾讯研究院33

    腾讯研究院发布 AI 每周关键词 Top50

    腾讯研究院发布 8 月 3 日至 7 日 AI 领域每周关键词 Top50。榜单涵盖算力、模型、应用、观点及事件五大类，收录 GPT-5.6 降价、DeepSeek-V4-Flash、Astra 模型等 50 个热点主体与动态。该清单旨在帮助用户快速把握全局 AI 动态，关键条目支持点击查看资讯概述。

  5. CVer33

    ECCV 2026 论文 DroneFINE 以 5.6% 参数量实现无人机目标检测 SOTA

    北京航空航天大学团队提出域感知参数高效微调框架 DroneFINE，旨在解决视觉语言模型在无人机航拍图像中的域适应问题。该方法采用 HyperAdapter 和 SemanticGate 双模块设计，仅使用 1.54M 可训练参数，即全量微调的 5.6%，在 VisDrone 和 UAVDT 数据集上达到或超越全量微调的 mAP 精度。

  6. 深度学习与NLP67

    津渡生科推出GeneLLM模型与BioFord科研平台

    津渡生科推出生命科学垂类大模型GeneLLM与物理AI科研平台BioFord。GeneLLM基于多组学原始数据预训练，XLarge版本达300亿参数，在极浅测序下仍保持较高预测性能。BioFord构建了包含五大智能体的实验调度系统，将AI推理与物理实验室打通，已在部分高校实现应用。

8月7日周五
  1. 智东西78

    千问新增办公助理功能，Agent 全程陪跑校招求职全流程

    千问 APP 和 PC 端新增办公助理、定时任务及智能体广场等功能，支持最新旗舰模型 Qwen3.8-MAX。实测显示，其办公助理可自主拆解求职任务，调用浏览器和 Excel 完成岗位搜索、筛选及简历匹配，并支持通过定时任务自动追踪招聘动态。千问在分析中对信息来源和判断依据进行标注，在面试准备等个性化环节生成近 2 万字的定制文档，展现了从指令执行到场景理解的任务协作能力。

    推荐理由：文章完整演示了千问处理复杂求职流程的实操细节，提供了从信息搜集到面试准备的全链路方法参考。

  5. 新智元79

    京东开源 16B 参数实时视频编辑模型 JoyAI-Video-Edit

    京东开源 JoyAI-Video-Edit，这是一款 16B 参数的多模态扩散 Transformer 模型，支持 720P 分辨率下每秒 30 帧的实时流式视频编辑。模型采用有界 KV 状态推理机制解决长视频误差累积问题，在 OpenVE-Bench 基准测试中总分 3.60，达到离线商业模型水平，相关代码与权重已同步在 GitHub 和 Hugging Face 开放。

    推荐理由：京东 JoyAI-Video-Edit 以 16B 参数和 720P 实时推理能力，展示了流式视频编辑与离线模型在质量上的差距正在被填平。

  7. 深度学习与NLP91

    Qwen3.8-Max发布，多场景实测表现直逼Claude

    阿里巴巴发布新一代基座大模型 Qwen3.8-Max，总参数量达 2.4 万亿，主打高性价比。国内每百万 tokens 输入 12 元、输出 36 元，隐式缓存命中 1.5 元，输入输出价格仅为 Opus 5 的 40% 与 24%。

    推荐理由：实测覆盖了长程工程、复杂文档交叉分析与小时级视频时间轴定位，展示了低价高性能组合下任务交付的边界。