欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。
人工智能研究领域的领军企业 OpenAI 官方在社交媒体宣布，其旗舰模型 GPT-4o 已迎来新一轮升级，并即刻向所有付费用户开放使用。与此同时，免费用户则需耐心等待数周，才能逐步体验到这一更新的强大功能。GPT-4o 升级亮点:更智能、更实用此次 GPT-4o 的升级带来了多项显著改进，进一步巩固了其作为多模态人工智能模型的领先地位。具体更新内容包括:更擅长处理复杂指令:新版 GPT-4o 在理解和执行包含多个请求的详细指令方面表现更为出色，能够更高效地应对用户的多样化需求。技术与编
传统的视频理解模型在处理长视频时面临着许多挑战，包括理解长视频所带来的复杂上下文。尽管已有不少研究致力于提升视频理解能力，依然难以有效克服训练和推理效率低下的问题。针对这些问题，研究团队通过 HiCo 技术，将视频信息中的冗余部分进行压缩，从而显著降低计算需求，同时保留关键信息。具体而言，HiCo 通过对视频进行层次化压缩，将长视频分割成短片段，进而减少处理的标记数量。这一方法不仅降低了模型对计算资源的要求，还提升了上下文窗口的宽度，增强了模型
以色列科技公司 Lightricks 近日推出了一款名为 LTX Video （LTXV） 的闪电般快速的 AI 视频处理平台。该平台采用先进的人工智能模型，可以在常用的图形处理器 (GPU) 上运行。LTXV 于11月下旬发布，它可以在4秒内生成一个分辨率为768x512的5秒 AI 视频片段，这使其在其他 AI 视频平台中脱颖而出。其20亿个参数使其即使在英伟达 H100GPU 甚至 RTX4090上以每秒30.25帧的速度运行时，也能提供快速的处理时间，且不影响视频的质量和一致性。除了短片段外，LTXV 还支持长篇 AI 视频，为创作者提供了更大的控
在视频创作领域，如何实现一致且可控的动画效果一直是研究者们关注的重点。近日，研究团队推出了名为 “AnimateAnything” 的新方法，旨在通过精准的视频操作，使动画创作更加灵活和高效。该技术可以在不同的条件下，如摄像机轨迹、文本提示和用户动作注释等，进行精确的视频处理。“AnimateAnything” 通过设计一种多尺度控制特征融合网络，构建了一个统一的运动表示。这一网络能够将所有控制信息转化为逐帧的光流，从而指导视频的生成。在这个过程中，光流作为运动先验，帮助提
在视频处理领域，如何从单镜头视频中高效追踪三维运动一直是一项难题，尤其是在需要对长序列进行像素级精确追踪时。传统方法面临多重挑战，往往只能跟踪少量关键点，无法实现完整场景的细致理解。而且，现有技术的计算需求较高，难以在处理长视频时保持效率。同时，长时间的跟踪也会受到相机移动和物体遮挡等问题的影响，导致跟踪失误或错误的产生。当前，视频序列运动估计的方法各有优缺点。光流技术提供了密集的像素追踪，但在复杂场景中，尤其是处理长序列时表现出
苹果公司最近为其多模态人工智能模型MM1推出了重大更新，将其升级为MM1.5版本。这次升级不仅仅是简单的版本号变更，而是全方位的能力提升，使得模型在各个领域都展现出了更强大的性能。MM1.5的核心升级在于其创新的数据处理方法。该模型采用了以数据为中心的训练方法，精心筛选和优化了训练数据集。具体而言，MM1.5使用了高清晰度的OCR数据和合成图像描述，以及优化的视觉指令微调数据混合。这些数据的引入使得模型在文字识别、图像理解和执行视觉指令等方面都有了显著提升。
近日，一款名为Molmo的开源多模态人工智能模型引起了业界广泛关注。这个由Qwen2-72B为基础、借助OpenAI的CLIP作为视觉处理引擎的AI系统，正以其出色的性能和创新的功能挑战传统商业模型的霸主地位。Molmo的突出特点在于其高效的性能表现。尽管体积相对较小，但它在处理能力上可以与规模大十倍的竞争对手相媲美。这种"小而精"的设计理念不仅提高了模型的效率，也为其在各种应用场景中的部署提供了更大的灵活性。与传统多模态模型相比，Molmo的创新之处在于其引入的指向功能。这一特
"MiniCPM-V2.6"的端侧多模态人工智能模型，它仅有8B参数却取得了20B以下单图、多图、视频理解三项SOTA（State of the Art，即当前最佳水平）成绩，显著提升了端侧AI的多模态能力，与GPT-4V水平全面对标。
近日，一个由中国和新加坡科研人员组成的国际团队成功开发出全球首个面向糖尿病诊疗的多模态人工智能系统DeepDR-LLM。该研究成果于2024年7月19日在《自然医学》（Nature Medicine）上发表。
近日，Stability AI公司宣布推出一项革命性的视频处理技术——Stable Video4D。该技术能够将单一视角的视频转换成8个不同角度的新视角视频，为创作者提供了前所未有的灵活性和创造力。Stable Video4D建立在该公司此前推出的Stable Video Diffusion模型基础之上。与将图像转换为视频不同，新模型可以接收视频输入，并生成多个新视角的视频输出，实现了从基于图像的视频生成向全3D动态视频合成的重大飞跃。