本报告介绍了 Kandinsky 5.0，这是一个面向高分辨率图像和 10 秒视频合成的尖端基础模型系列。该框架包含三大核心模型：Kandinsky 5.0 I...

Android MediaCodec 是 Android 系统提供的底层 API，用于访问设备的硬件（或软件）编解码器，实现高效、低功耗的音视频编码和解码。它是...

获取SDK, SRPaasSDK⽬录中包含lib/SRPAAS_Video_v5.x.x.aar;

Google搞的WebRTC也是个大杀器。WebRTC本来是做浏览器音视频通话的，自带了极其牛逼的NAT穿透能力和拥塞控制算法（GCC）。很多网页版的PCDN（...

论文链接：https://arxiv.org/pdf/2511.16669 项目链接：https://video-as-answer.github.io/ 代码...

在过去几年中，扩散模型及其后续的流匹配方法在图像生成领域引发了质的飞跃，实现了前所未有的合成质量和多样性。这一基础促使了商业和开源系统的快速发展，为用户提供了从...

很多同学想用 n8n 做工作流自动化，但又担心数据安全或者不想付订阅费。没关系，咱们直接部署在自己电脑上，数据自己通过 MySQL 掌握，稳得很！

当前，视频生成模型性能正在快速提升，尤其是基于Transformer架构的DiT模型，在视频生成领域的表现已经逐渐接近真实拍摄效果。然而，这些扩散模型也面临一个...

对此，视频编码通过消除时空冗余、量化视觉不敏感信息，将视频码率压缩至 1/100~1/1000，使短视频、直播、视频会议、云游戏等应用成为可能。从经济角度看，视...

深夜，Meta 有了重大更新，接连上线 SAM 3D、SAM 3（Segment Anything Model，SAM）。

导读：视觉-语言-动作（Vision-Language-Action, VLA）模型已成为机器人操作策略学习中的重要范式，能够根据语言指令执行任务并泛化至新场景...

本工作由第一作者在字节跳动智创北美团队实习期间完成。第一作者卞宇轩目前为香港中文大学计算机科学与工程系博士二年级学生，研究方向为可控视频生成，师从徐强教授，并曾...

相比视频生成模型，世界模型不仅生成图像或视频，还能够理解和预测环境的动态，支持智能体做出决策。

Gemini 3 的发布可能太重量级了 (https://blog.google/products/gemini/gemini-3) ， 把cloudflare...

在过去十年中，视频理解技术经历了从离线分析、单点识别，到实时检测、多任务协同，再到大模型驱动的视频智能体（Video AI Agents）的快速演进。随着算力成...

11 月 18 日，Google 正式发布了 Gemini 系列的最新旗舰模型——Gemini 3.0（首发版本为 Gemini 3 Pro）。这不仅仅是...

我们推出Lumine，这是首个用于开发通用AI智能体的开放方案，能够在挑战性3D开放世界环境中实时完成长达数小时的复杂任务。Lumine采用类人交互范式，以视觉...

分层推理模型 (HRM) 是一种创新方法，它采用两个小型神经网络，以不同的递归频率运行。这种受生物学启发的技术，在数独、迷宫和 ARC-AGI 等复杂谜题任务中...

由于多模态能力明显提升，它可以辅助你判定视频中的内容并进行解析。比如可以对匹克球比赛视频进行技术分析，识别技术动作中的可优化环节，并据此制定系统性的动作改进训练...

其中最重要的创新，无疑是DC通道——在VoNR音视频通道的基础上，建立了一个新的数据通道，可以传送图片、音频、视频、文件、网页、菜单、表情、位置、涂鸦、AR/V...