#视频理解
共 66 篇相关文章
·10 分钟
OpenAI DevDay 2026开放申请：9月旧金山举办，史上最大规模
OpenAI DevDay 2026开发者大会现已开放申请，9月29日旧金山举行，申请截止7月10日。本文汇总活动关键信息、可能的技术发布方向及开发者申请建议。
阅读全文 →
·6 分钟
扣子智能体实战：从零搭建AI测试用例生成工作流
详解如何利用扣子(Coze)平台搭建测试用例自动生成智能体，涵盖智能体与大模型的核心区别、工作流编排技巧、模型选择策略、提示词工程要点及实际踩坑经验，助力测试工程师高效落地AI测试。
阅读全文 →
·9 分钟
MiniMax M3实测对比GPT、Claude、Gemini：五个真实任务谁更强
通过网页生成、编程开发、财报分析、视频理解、Computer Use五个真实任务，实测对比MiniMax M3与Claude、GPT Codex、Gemini的表现差异，含价格对比和使用建议。
阅读全文 →
·5 分钟
Gemini 3.5 Flash深度测评：Pro级性能，Flash级价格
深度测评Google Gemini 3.5 Flash模型在多模态视觉、视频理解、合同分析、Vibe Coding等场景的实际表现。100万token上下文窗口，价格仅为竞品三分之一，Flash正在取代Pro级模型的地位。
阅读全文 →
·8 分钟
苹果高管秘密会议曝光：承认AI落后，WWDC反击计划浮出水面
彭博社披露苹果高管在库克缺席下召开秘密会议，坦承AI领域落后。面对OpenAI、Google等对手的狂飙突进，苹果如何应对隐私路线约束与端侧算力限制？WWDC 2025或将揭晓反击方案。
阅读全文 →
·5 分钟
Meta SAM 3D获CVPR最佳论文荣誉提名：从2D到3D的分割突破
Meta AI团队的SAM 3D在CVPR 2026获最佳论文荣誉提名，将通用分割能力从2D图像拓展至三维空间。本文回顾SAM系列演进路径，解析3D分割技术突破及其对机器人、自动驾驶、AR/VR等领域的深远影响。
阅读全文 →
·6 分钟
Google Flow接入Gemini Omni：AI视频创作迎来重大升级
Google I/O大会上，AI视频创作工具Flow与Gemini Omni模型深度整合，带来批量编辑、角色一致性提升等核心更新，降低电影级内容创作门槛。详解三大升级亮点与行业竞争格局。
阅读全文 →
·6 分钟
Aleph 2.0深度解析：编辑一帧即可改变整段视频
Aleph 2.0发布全新单帧编辑传播功能，只需修改视频中一帧画面即可自动应用到全片。深度解析其Edit Studio编辑工具、时序一致性技术突破及对AI视频编辑行业的影响。
阅读全文 →
·7 分钟
Gemini四位联合负责人深度对话：技术路线、现状与未来方向
Google Gemini团队四位联合负责人Jeff Dean、Noam Shazeer等罕见同框，深度探讨Gemini技术路线、多模态能力、Agent方向及未来发展规划，解读Google最核心AI项目的战略布局。
阅读全文 →
科技前沿·5 分钟
Siri全新UI界面曝光：从圆球到全屏光效的交互革新
苹果Siri全新用户界面曝光，屏幕边缘流动光晕取代传统圆球动画，引入文本交互模式。深度解析Siri新UI设计变化、Apple Intelligence技术整合及对AI助手行业竞争格局的影响。
阅读全文 →
科技前沿·4 分钟
Gemini Omni：理解物理规律的AI视频生成有多强？
深度解析Google Gemini Omni模型的视频物理生成能力，如何从视频输入中理解运动规律并生成无缝衔接的动态画面，涵盖核心技术、应用场景及行业影响。
阅读全文 →
科技前沿·5 分钟
Gemini Omni视频编辑功能登陆印度：上传即编辑的AI新体验
Google宣布Gemini Omni视频编辑功能正式向印度用户开放，支持从手机上传视频并通过AI进行智能编辑与风格转换。本文解析该功能详情、印度市场战略意义及多模态AI从理解走向创作的演进趋势。
阅读全文 →
科技前沿
AI赚钱实战·第1期：AI多智能体协作与全模态赚钱机会
·1 分钟
AI赚钱实战·第1期：AI多智能体协作与全模态赚钱机会
每周三分享用AI工具提效赚钱的真实案例
阅读全文 →
科技前沿·3 分钟
Netflix AI语音搜索功能详解：流媒体内容发现新方式
Netflix正在测试原生AI语音搜索功能，用户可用自然语言描述想看的内容。本文详细分析该功能的技术优势、行业影响及未来演进方向，解读流媒体AI竞赛新格局。
阅读全文 →
科技前沿·5 分钟
Gemini Omni视频编辑：对话即剪辑的AI新时代
Google Gemini Omni支持对话式视频编辑，用户只需上传视频并用自然语言描述需求，即可完成剪辑、混剪和特效添加。本文详解其核心功能、工作流程及对视频创作行业的深远影响。
阅读全文 →
科技前沿·3 分钟
Qwen3.5-Omni发布：215项任务SOTA，阿里全模态大模型硬刚Gemini
阿里发布Qwen3.5-Omni全模态大模型，基于1亿小时音视频数据原生多模态预训练，215项任务拿下SOTA，多项指标超越Gemini 3.1 Pro。支持音视频Web Coding、长音频分析、113种语言语音识别等能力。
阅读全文 →
产品体验·4 分钟
Gemini 3.5 Pro深度评测：多模态断层领先，9.2分旗舰实力全解析
深度评测Google DeepMind旗舰模型Gemini 3.5 Pro，涵盖MMLU Pro 89.4分、Video ModeM 82.1分等基准数据，横向对比GPT 5.5、Claude 4.7，解析DeepThink推理、200万上下文窗口、多模态能力等核心优势与不足。
阅读全文 →
产品体验·3 分钟
开源AI桌宠小猫：Qwen 3.5 Omni+ESP32打造全模态智能伙伴
基于Qwen 3.5 Omni全模态模型和ESP32-S3的开源AI桌宠小猫项目，支持情感语音交互、视觉感知、手势互动和一日记录复盘功能。附完整复刻教程，含硬件清单、3D打印模型和代码烧录指南。
阅读全文 →
