视觉语言模型（VLM）是同时处理图像和文本的人工智能系统。它们连接了计算机视觉（理解视觉数据的人工智能）与自然语言处理（理解语言的人工智能）。2025年最具影响...

Meta宣布了视觉AI的下一次重大更新，推出了SAM 3和SAM 3D，推动其“Segment Anything”项目进入新世代。

SAM3 (Segment Anything Model 3) 是 Meta 用于可提示概念分割（PCS）的下一代基础模型。在SAM 2 的基础上，SAM 3 ...

针对企业出海面临的内容成本高、跨国触达难及安全合

基于深度学习的人脸识别基本上分为两步完成，第一步是人脸检测与对齐；第二步是人脸特征提取与比对；在第一步中人脸检测与landmark检测，实现人脸对齐，对齐又分为...

【导读】东北大学、武汉大学等的研究人员首次提出统一处理图像与视频的无监督领域自适应语义分割框架，通过四向混合机制（QuadMix）和光流引导的时空聚合模块，有效...

整个模型方法直接评估，无需微调，使用冻结的SAMv2+DINOv2模型在不同的数据集上均达到了少样本跟零样本的SOTA。表现出卓越的模型泛化能力与SOTA的实例...

Mate在SAM的基础之上推出的多模态视觉大模型SAM2（Segment Anything Model 2）—一个致力于解决图像与视频可提示视觉分割任务的基础模...

OpenVINO2025开发包C++/Python SDK全新实现深度学习模型与大模型部署，其中深度学习模型部署的流程如下：

针对开源Agent落地与高并发营销场景的安全、成本及延迟瓶颈，腾讯云推出

我一定不是最懂AI的博主，但我一定是非常懂得人性的博主，今天这篇文章特别想抚慰，且对一些不负责的AI博主，无论是视频，还是吹嘘AI可以代替人，让人走向无端焦虑的...

那我就想试一下，能不能用Agent搞个任务，来帮我搜索B站，找到影视飓风新视频的资料，然后发一下朋友圈推荐一下这个视频。

但是呢，它就是模型，最长只能生成十五秒视频，而且每次生成视频都需要你重新贴参考，重新写提示词。

因为LibTV自己能力的丰富性，所以，几乎你能想象到的一切，无论是写脚本、生图、改图、生视频、编辑视频、生成音乐等等。

在之前有一篇文章中，我把Github上的yt-dlp做成了一个Skill，能从YouTube、B站等各种视频网站下载视频。

推理。 ShotStream的推理过程与其训练过程完全一致。ShotStream以逐个镜头的方式生成多镜头视频。当生成每个新镜头时，通过从先前合成的历史镜头中采...

目前的自回归（AR）扩散模型在视频生成上展现了巨大潜力，但在迈向“小时级”甚至“无限时”实时交互时，面临着两大瓶颈：

GitHub: https://github.com/PKU-YuanGroup/Helios 项目主页: https://pku-yuangroup.gith...

作者：该工作出自华为小艺香港研究团队，该团队长期聚焦视觉生成、理解与Agent相关领域。

最近 Nano Banana 升级了，画风和之前不太一样，加上 Seedance 也出了视频生成的提示词，整理了一波资源分享出来