Google推出"Vlogger"模型使得一张图片能够生成10秒视频
谷歌发布了一个新的视频框架：只需要一张你的头像、一段讲话录音，就能得到一个本人栩栩如生的演讲视频。视频时长可变，目前看到的示例最高为10s。可以看到，无论是口型还是面部表情，它都非常自然。如果输入图像囊括整个上半身，它也能配合丰富的手势：网友看完就表示：有了它，以后咱开线上视频会议再也不需要整理好发型、穿好衣服再去了。嗯，拍一张肖像，录好演讲音频就可以（手动狗头）用声音控制肖像生成视频这个框架名叫VLOGGER。它主要基于扩散模型，并包含两部分：一个是随机的人体到3D运动（human-to-3d-moti
谷歌发布了一个新的视频框架：
只需要一张你的头像、一段讲话录音，就能得到一个本人栩栩如生的演讲视频。
视频时长可变，目前看到的示例最高为10s。
可以看到，无论是口型还是面部表情，它都非常自然。
如果输入图像囊括整个上半身，它也能配合丰富的手势：
网友看完就表示：
有了它，以后咱开线上视频会议再也不需要整理好发型、穿好衣服再去了。
嗯，拍一张肖像，录好演讲音频就可以（手动狗头）
用声音控制肖像生成视频
这个框架名叫VLOGGER。
它主要基于扩散模型，并包含两部分：
一个是随机的人体到3D运动（human-to-3d-motion）扩散模型。
另一个是用于增强文本到图像模型的新扩散架构。
其中，前者负责将音频波形作为输入，生成人物的身体控制动作，包括眼神、表情和手势、身体整体姿势等等。
后者则是一个时间维度的图像到图像模型，用于扩展大型图像扩散模型，使用刚刚预测的动作来生成相应的帧。
为了使结果符合特定的人物形象，VLOGGER还将参数图像的pose图作为输入。
VLOGGER的训练是在一个超大的数据集（名叫MENTOR）上完成的。
有多大？全长2200小时，共包含80万个人物视频。
其中，测试集的视频时长也有120小时长，共计4000个人物。
谷歌介绍，VLOGGER最突出的表现是具备多样性：
如下图所示，最后的像素图颜色越深（红）的部分，代表动作越丰富。
而和业内此前的同类方法相比，VLOGGER最大的优势则体现在不需要对每个人进行训练、也不依赖于面部检测和裁剪，并且生成的视频很完整（既包括面部和唇部，也包括肢体动作）等等。
具体来看，如下表所示：
Face Reenactment方法无法用音频和文本来控制此类视频生成。
Audio-to-motion倒是可以音频生成，方式也是将音频编码为3D人脸动作，不过它生成的效果不够逼真。
Lip sync可以处理不同主题的视频，但只能模拟嘴部动作。
对比起来，后面的两种方法SadTaker和Styletalk表现最接近谷歌VLOGGER，但也败在了不能进行身体控制上，并且也不能进一步编辑视频。
说到视频编辑，如下图所示，VLOGGER模型的应用之一就是这个，它可以一键让人物闭嘴、闭眼、只闭左眼或者全程睁眼：
另一个应用则是视频翻译：
例如将原视频的英语讲话改成口型一致的西班牙语。
网友吐槽
最后，“老规矩”，谷歌没有发布模型，现在能看的只有更多效果还有论文。
嗯，吐槽也是不少的：
画质模型、口型抽风对不上、看起来还是很机器人等等。
因此，有人毫不犹豫打上差评：
这就是谷歌的水准吗？
有点对不起“VLOGGER”这个名字了。
——和OpenAI的Sora对比，网友的说法确实也不是没有道理。。
大家觉得呢？
更多效果：https://enriccorona.github.io/vlogger/
完整论文：https://enriccorona.github.io/vlogger/paper.pdf
5月30日，华为推出了全新的AI模型——盘古UltraMoE，该模型的参数量达到了7180亿。作为一款接近万亿参数的MoE(MixtureofExperts)模型，它在整个训练过程中完全基于华为的昇腾AI平台完成，标志着华为在超大规模模型训练方面取得了重要进展。盘古UltraMoE的成功训练离不开盘古团队研发的一系列创新技术。例如，Depth-ScaledSandwich-Norm(DSSN)稳定架构的引入，显著改善了超大规模模型训练期间出现的梯度异常及
AI视频生成正迎来属于“通义”的高光时刻！就在昨晚，阿里巴巴悄然推出了一款由音频驱动的14B视频大模型——Wan2.2-S2V。只需上传一张静态图片和一段音频，就能生成出面部表情生动、口型精准匹配、肢体动作流畅自然的电影级数字人视频，效果惊艳。实际效果展示如下：△来自@AIMIRAI46487更令人振奋的是，这款新模型一经发布便全面开源，现在所有人都可以免费在通义万相官网体验使用。据官方介绍，Wan2.2-S2V的核心优势包括：支持最长分钟级的单次视频生成，画面稳定且具有一致性；具备影院级别的音
近日，有汽车领域博主爆料，特斯拉的FSD（完全自动驾驶）辅助系统将迎来一次重要升级，或将实现更真实的环境场景还原。在最新曝光的软件代码中，发现了大量新增的渲染模型，涵盖多种车辆与行人类型。这些新增模型包括救护车、消防车、垃圾清运车、校车、半挂式卡车、高尔夫球车、骑电动滑板车的行人、使用轮椅的行人、玩滑板的行人、推婴儿车的行人，以及道路清扫车、三轮车、拖车、火车和有轨电车等。这一系列高精度建模意味着FSD系统将能更准确识别并响应复杂交通参与者的行为。据CNMO掌握的消息，日本方面已为特斯拉FSD系统的落地扫
大语言模型面对加密数据，即便最新的Qwen3也会感到压力！尽管当下各类推理模型在多种基准测试中表现优异，但在密码学这样对逻辑严谨性和细节准确性要求极高的专业领域，模型的推理能力还有待深入挖掘。密码学不仅要求模型具备高级数学运算能力和严密的逻辑推理链，还需要其能够精准辨识复杂加密模式中的潜在规律；成功解密要求模型拥有极强的综合推理能力。上海AILab等联合推出的CipherBank测评，使用大量真实隐私场景数据和多种密码算法，严苛挑战当前最先进的大模型。CipherBank的测评结果显示，目前的大语言模型
现在，请大家一起来数一下"1"、"2"。OK，仅仅2秒的时间，一个接近万亿规模的MoE大模型就已经掌握了如何解答一道高等数学难题的方法！而且呢，这个大模型还是完全依靠国产设备进行训练的，整个流程都体现了浓浓的“国产”特色。这就是华为借助"昇腾+PanguUltraMoE"这一组合实现的成果——不仅达成了国产算力与国产模型在全流程上的自主可控训练闭环，还在集群训练系统的性能方面达到了行业顶尖水平。有多顶尖？来看一组数据：预训练阶段：昇腾Atlas800TA2万卡集群的MFU提升
只需动动嘴，就能操控GUI代理？由美团与浙江大学联合推出的GUIRoboTron-Speech——让你彻底解放双手，直接对设备“发号施令”。这是首个可以直接通过语音指令和屏幕截图进行端到端（End-to-End）决策的自主GUI智能体，致力于为用户提供更自然、高效且无障碍的人机交互方式。从文本到语音，智能代理的新一轮进化目前，基于大语言模型（LLMs）的自主GUI智能体已经能够通过文本指令自动完成跨应用、多步骤的复杂操作，显著提升用户效率。然而，这种依赖文本输入的方式在某些场景中存在明显局限
哭死啊，全球狂炼大模型，一互联网的数据不够用，根本不够用。训练模型搞得跟《饥饿游戏》似的，全球AI研究者，都在苦恼怎么才能喂饱这群数据大胃王。尤其在多模态任务中，这一问题尤为突出。一筹莫展之际，来自人大系的初创团队，用自家的新模型，率先在国内把“模型生成数据自己喂自己”变成了现实。而且还是理解侧和生成侧双管齐下，两侧都能生成高质量、多模态的新数据，对模型本身进行数据反哺。模型是啥？中关村论坛上刚刚露面的多模态大模型Awaker1.0。团队是谁？智子引擎。由人大高瓴人工智能学院博士生高一钊创立，高瓴人工智能
强化学习（RL）结合真实搜索引擎可以显著提升大模型的检索和推理能力。然而，这一方法面临两大挑战：搜索引擎返回的文档质量不稳定，导致训练过程中的噪音和不稳定性；RL训练需要频繁部署，产生大量API开销，限制了可扩展性。针对这些问题，阿里通义实验室推出了开源解决方案ZeroSearch，这是一个无需与真实搜索引擎交互的强化学习框架。实验表明，ZeroSearch只需使用3B参数的LLM作为检索模块，就能有效提升搜索能力，并大幅节省API成本。ZeroSearch让LLM实现自给自足
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
