发现

ssvae（spectral-structured vae）是智谱ai研发的一种面向视频生成任务优化的新型变分自编码器。SSVAE 在相同生成质量下，收敛速度提升3倍，仅用1.3B参数量就超越了4B参...

RealVideo是一种流行的视频压缩和传输格式，用于在互联网上传输视频内容。核心功能覆盖文本输入交互、AI语音响应、唇形同步、WebSocket实时双向通信等。该技术能够根据网络带宽和用户设备性能的...

智谱开源团队联合合肥工业大学和清华大学提出了一种名为Kaleido的开源多主体参考视频生成框架，旨在解决现有开源S2V模型在多主体场景中保持一致性及背景解耦的难题。利用深度学习和计算机视觉技术，能够生...

谷歌开源全新网络研究智能体基准DeepSearchQA，成为AI界对抗GPT-5.2的爆款工具。涵盖17个领域的900项人工设计的因果链任务，其中每个步骤都依赖于先前的分析。首次引入过程性评估指标，通...

Runway推出首个通用世界模型GWM-1，采用自回归式建模方式，按帧顺序预测视频内容，具备实时响应与交互能力。其核心理念在于让AI系统在内部构建一套对现实世界运行机制的完整模拟。这就好比让计算机拥有...

谷歌推出Gemini Deep Research深度研究智能体，基于Gemini 3 Pro构建，专为长周期内容收集与综合任务优化打造，其幻觉率较此前模型降低40%，是谷歌迄今“最具事实性”的智能模型...

OpenAI正式推出其迄今最强模型GPT-5.2，专为专业工作和复杂任务设计。在通用智能、长文本处理、智能体工具调用和视觉等方面得到显著提升。在制作电子表格、制作演示文稿、图像感知、编写代码以及理解长...

qwen3-omni-flash（qwen3-omni-flash-2025-12-01）是阿里巴巴qwen团队全新发布的全模态大语言模型。可实现文本、图像、音频和视频的无缝输入与同步输出。模型支持1...

智谱正式发布工业级语音合成系统 GLM-TTS，只需录音3秒，或者上传3秒-10秒的录音文件，即可快速克隆你自己的声音。在通用朗读、情感配音、教育评测、电子书、有声客服等场景中，实现自然流畅、贴近真人...

GLM-ASR是由智谱AI开发的开源语音识别模型系列，结合了自然语言处理（NLP）和语音识别（ASR）的先进技术。不仅可以实现精准的语音转文字，还可以在输入法中直接调用大模型能力，完成翻译、改写、情绪...