指令遵循媲美Seedance 2.0！复旦腾讯联合提出Baton，多说话人场景M-WER暴降76%
指令遵循媲美Seedance 2.0！复旦腾讯联合提出Baton，多说话人场景M-WER暴降76%视频生成，早已不止于视觉。
来自主题: AI技术研报
7494 点击 2026-06-11 15:01
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
视频生成，早已不止于视觉。
最近几个月，海外主流社交平台X、YouTube、Instagram、LinkedIn、Facebook等的头部内容创作者，开始高频地提及同一个名字——AhaCreator 3.0。从科技博主、消费电子达人，到跨境电商品牌主理人，再到拥有百万粉丝的内容创作者，越来越多人在自己的内容中分享使用体验。
全球大模型的军备竞赛，正在“智商”之外开辟新的战场—— 推理速度。
在图像到图像翻译（Image-to-Image Translation, I2I）这个任务上，扩散模型过去几年几乎形成了一套默认逻辑：先把输入图像和噪声混合，再一步步去噪，把目标图像 “还原” 出来。
今日，小米MiMo团队与推理系统团队TileRT联合宣布，Xiaomi MiMo-V2.5-Pro的UltraSpeed模式已实现万亿参数（1T）旗舰模型输出速度首次突破1000 tokens/s。
在交互式虚拟世界和具身智能快速发展的今天，高质量 3D 资产已经不再只是 “看起来像” 就足够。一个柜门不仅要有柜门的外观，还需要知道绕哪条轴旋转；一个按钮不仅要有按钮的形状，还需要具备 “按下 / 弹起” 的状态；一个抽屉不仅要有完整几何，还需要拥有滑动方向、运动范围、材质和质量等物理属性。该研究已被 ICML 2026 接收。
近日，普林斯顿大学的研究团队发布了一篇新论文，提出了一个名为 Goedel-Architect 的智能体框架。他们用的核心模型，是国内开源大模型 DeepSeek-V4-Flash。
CVPR 2026全部奖项揭晓！最佳学生论文荣誉提名颁给了ChordEdit，一作和通讯都是广东工业大学本科在读生。他们用一块7年半前的老Titan，跑完了全部实验。
我在 2025 年年度总结的文章《Attention is all you need》里，提到在关注 AI 时代的投资机会，看了很多硅谷的播客和视频，一直想来硅谷看看，但自己认识的这边的人不多，恰好看到Linkloud 组织“创业加速营”，安排了不少硅谷当地的华人创业者、大厂从业人员的交流，就报名了，同去的其他人，还有想要 AI 转型或者就在 AI 领域创业的创始人或者中高管等。
长期以来，监督微调（Supervised Fine-Tuning，SFT）一直是深度神经网络中最常用的模型适配手段。在中小规模的传统神经网络中，SFT 通常能够稳定提升下游任务表现。