Condé Nast如何利用Amazon Bedrock构建多模式视频发现
Condé Nast的编辑团队平均每项任务花费250分钟，仅使用标题和描述来搜索包含140，000多个视频的库。他们与AWS Generative AI创新中心合作，在Amazon Bedrock和Amazon OpenSearch Service上构建了一个多模式视频发现解决方案，将发现时间缩短至2分钟以下。
多模态
文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
已收录 293 条 · 近 30 天 218 条 · 第 5 / 13 页
-
-
介绍Quine：为生物学的复杂性而设计的AI研究系统
生物学不会在孤岛中运作，它的人工智能表示也不应该如此。奎因是创建生物学多模式世界模型的早期研究工作。通过连接跨生物尺度和模式的见解，奎因帮助科学家通过计算搜索远远大于直觉允许的空间，并在假设到达实验室之前对假设进行优先排序。实验结果提供了重要的反馈，帮助研究人员明确未来的研究方向。文章介绍奎因：为生物学的复杂性设计的人工智能研究系统首次出现在Microsof
-
玛丽莎·梅耶尔（Marissa Mayer）相信，通过Dazzle，你的相机卷包含的信息比你的收件箱还多
梅耶尔认为，如果一张照片价值一千个字，那么你的相机卷价值数百万个字。通过分析您手机上存储的所有照片，Dazzle声称可以了解您的爱好、兴趣、食物和风格偏好、您喜欢如何度过时间以及和谁在一起。
-
李飞飞创业公司被苏姿丰550亿收购！世界模型最大交易落地
李飞飞将入职AMD首席科学家
-
AMD正在收购人工智能公司World Labs，交易价值超过80亿美元
AMD今天宣布，将以价值约82亿美元的全股票交易收购由著名研究员李飞飞博士共同创立的人工智能研究实验室World Labs。世界实验室于2024年成立，几个月内估值就达到了10亿美元。该初创公司推出了其第一款商业产品，世界一代型号[.]
-
使用交织强化学习在统一模型中学习本地反思
作者：范宜佳、黄子琪、蔡忠昂|统一的多模态模型可以查看和渲染图像，因此原则上它们可以修复自己的生成：诊断图像的错误，修改它，观察结果，并再次诊断。只有在渲染后才知道修订是否有帮助，因此必须在整个循环中联合学习反射文本和图像生成。反思监督微调（SFT）
-
工业创新进入“组队局”，拆解西门子Xcelerator开放生态的赋能链路
工业平台已经卷到帮伙伴拿线索、做Agent、出海了
-
谷歌研究中心推出人工智能视频联合总监：4个清晰的框架，用于连贯、分钟长的视频生成
谷歌研究中心引入了一位人工智能视频联合总监，负责长格式视频生成。这套由4个代理框架组成的套件将短片段转化为连贯、长达几分钟的故事。它针对的是身份漂移和连锁错误，这是当今大多数多镜头人工智能视频管道中断的两种故障。为什么长人工智能视频分崩离析扩散模型在[.]中渲染高保真剪辑谷歌研究推出人工智能视频联合总监：4个连贯、分钟长视频生成的抽象框架首次出现在MarkT
-
我创建了一个自己的交互式数字化身-你可以与它交谈
在获得了一个互动化身并训练它来讨论风险欺诈后，我对制作我们自己的人工智能克隆感到复杂。
-
OpenAI的GPT-6 Astra现在可以准确地告诉您您在哪里搞砸了宜家货架
OpenAI的GPT-6 Astra可以查看照片并判断宜家家具是否组装错误，准确率达到80%。早在2025年11月，最好的模特的表现仅为28%。根据Epoch AI的说法，速度对于实时装配指导来说还不够快，但差距正在迅速缩小。文章OpenAI的GPT-6 Astra现在可以准确地告诉您您在宜家货架上搞砸的位置，该文章首先出现在The Decoder上。
-
针对图像、文本、音频和PyTorch使用AugLy的端到端多模式数据增强和对抗鲁棒性基准
了解如何使用AugLy为图像、文本、音频和PyTorch数据集构建全面的多模式增强和对抗鲁棒性工作流程。关于图像、文本、音频和PyTorch的端到端多模式数据增强和对抗鲁棒性基准的文章首先出现在MarkTechPost上。
-
具备实时多模态能力的数字人语音 AI 智能体
📌 One-Sentence Summary 作者展示了一款新的开源语音 AI 智能体，它拥有一个可以实时视觉感知、对话、思考和绘图的数字人形象，并支持无缝切换语言。 📝 Summary Shubham Saboo 展示了语音 AI 智能体的重大进展，引入了一个数字人（Live Avatar）界面。该智能体具备多模态能力，能够实时地看到、说话、思考和绘图。其
-
LLM的单功能类似Jev的包装器，包括视觉模型
HN Ÿ 88 · 22 评论
-
在Meta Connect，该公司的智能眼镜随处可见
Facebook和Instagram背后的公司希望通过其不断增长的智能眼镜系列让消费者与数字世界保持联系。
-
Liquid AI发布LFM2.5-BL-3B-DS park：视觉语言模型的推测性解码，解码速度高达3.13倍
Liquid AI发布了LFM2.5-BL-3B-DS park，这是一个279.5兆参数草案模型，为其LFM2.5-BL-3B视觉语言模型带来了推测性解码。它在Apple M5 Max上提供高达3.13倍的解码速度，在H100上提供高达2.66倍的解码速度，在贪婪解码下输出相同。支持llama.cpp、MLX-VLM和SGLang中的船舶。Liquid A
-
在Amazon SageMaker HyperPod上使用SkyRL加速多模式RL训练
了解如何在Amazon SageMaker HyperPod上运行开源强化学习框架SkyRL，以使用GRPO对Qwen 3-BL-8B视觉语言模型进行后训练。本演练涵盖构建容器镜像、从SageMaker Studio启动Ray集群、提交和监视作业以及托管经过训练的LoRA适配器以进行推理。
-
Meta ' s Connect变成了Muse收购
另外：使用Gemini Canvas可视化Google表格
-
Gemini 3.8 Live with Live Avatar为谷歌的人工智能提供了一个面孔
谷歌新的Gemini 3.8 Live更新让用户与模特进行对话，同时观看动画人工智能角色的实时响应。“Live Avatar”将在对话中对口同步并显示不同的面部表情，但目前仅向Gemini Enterprise客户提供。正如谷歌指出的那样，Live Avatar可以在97 [..]之间过渡
-
使用LLM追踪炼金术知识并解码17世纪信件
HN ð48· 9 评论
-
PrismML将其微型LLM带入高通供电的智能眼镜
Prism的更大目标是开放重量人工智能，在设备上运行，并更好地利用他们现有的计算能力。
-
SemGMA：具有不完整数据的潜在语义辅助鲁棒多模式情绪分析
作者：李文豪、吴志斌、肖冲|最近对多模式情绪分析（MAS）的研究重点是从具有不完整数据的语言、视觉和声学模式中学习以推断人类情绪。大多数研究通常通过重建模式特征或设计复杂的融合机制来弥补缺失的信息。然而，由于这些方法的存在，这些方法仍然存在伪生成和有噪引导的问题。
-
现在，Google Chrome将选项卡共享到新设备，以保存您所在的位置
谷歌正在推出一些新的Chrome浏览器功能，旨在使研究和研究复杂的主题变得更容易。跨设备选项卡切换功能正在进行内存升级，Chrome中Gemini的新功能可以分析更多类型的媒体并生成交互式学习测验。Chrome已有一个[.]