近日，约翰霍普金斯大学与腾讯 AI 实验室联合推出了一款名为 EzAudio 的新型文本到音频生成模型。这项技术承诺以空前的效率和高品质文本转换为声音，标志着人工智能和音频技术的重大飞跃。EzAudio 的工作原理是利用音频波形的潜在空间，而不是传统的声谱图，这一创新让它能够在高时间分辨率下工作，且无需额外的神经声码器。EzAudio 的架构被称为 EzAudio-DiT（扩散变换器），采用了多项技术创新来提高性能和效率。其中包括一种新的自适应层归一化技术 AdaLN-SOLA、长跳连接，以及先进的

最近，香港和中国的几所大学与腾讯联合研发了一个名为 GameGen-O 的 AI 模型，专门用于创建开放世界视频游戏的模拟。GameGen-O 的功能不仅仅限于生成高质量的游戏内容，它还模拟了多种游戏引擎的特性，能够创造出丰富多样的游戏元素，比如角色动态环境、复杂的动作以及各种事件。项目入口:https://gamegen-o.github.io/这款模型还提供了多模态互动控制的能力，让玩家在游戏过程中能够自由地进行操控，带来前所未有的游戏体验。研究团队表示，虽然 GameGen-O 并不是一个完全可玩游戏，但它为

腾讯公司近日宣布，其旗下的腾讯元宝品牌智能体专区正式上线，首批邀请了11家合作伙伴入驻，共同打造精品AI智能体应用生态。这些应用覆盖了文娱、旅游、购物、健康、电竞、快递、设计、招聘等多个领域，包括阅文集团、同程旅行、微盟、值得买科技、华润三九、快递100、Canva可画、高竞文化、马蜂窝等多家知名企业，以及VIPKID、智联招聘智能体。

在2024年腾讯全球数字生态大会上，腾讯公司副总裁兼云业务总裁邱跃鹏对外宣布——腾讯混元Turbo大模型的正式亮相。这款新一代的大模型基于MoE（Mixture of Experts）架构设计，相较于前一代产品，在推理效率上实现了翻倍，达到了100%的提升，同时在推理成本上实现了显著降低，降幅达到50%。此外，混元Turbo在解码效率方面也表现出色，提升了20%。

腾讯文档近期推出了升级版的“智能扫描”功能，旨在为用户提供更加便捷高效的文档管理体验。这项新功能特别适合开学季，教师和学生需要处理大量资料和文档。用户可以通过腾讯文档小程序或APP访问“智能扫描”工具，该工具提供扫描存档、去除手写和证件管理三大核心功能。

国产AI芯片设计公司燧原科技，已启动A股上市辅导进程，正式启动IPO。成立于2018年的燧原科技专注于AI领域的云端算力产品研发，产品包括AI加速卡、智算集群及相关软件和平台。公司创始人赵立东和张亚林均具备深厚的技术背景。成立一年后，燧原科技推出第一代AI训练芯片邃思1.0，现发展至第二代邃思2.0，并研发多款AI推理芯片。在短短六年内完成十轮融资，总额近70亿元人民币，估值达到160亿元，位列全球独角兽榜第482位。腾讯为第一大股东，持股20.49%。目前，无单一股东持股超过30%，创始人合计掌握32.51%表决权。

腾讯优图实验室与上海交通大学合作，发布了一篇详尽综述，聚焦于提升大模型性能的关键环节——指令调优的数据集评估与选择。该研究旨在帮助大模型掌握自然语言处理的精髓，通过分析数据质量、多样性和重要性三个维度，指导如何构建高效、多样且关键的数据集。研究指出，数据质量直接影响指令调优效果，多样性确保模型泛化能力，重要性评估优化训练过程。面对现有挑战，如数据选择与模型性能关联性弱及评估标准不统一，专家呼吁建立专门基准与提高选择管道的可解释性，以适应不同任务需求。这项研究为大模型发展提供了宝贵资源和方向，预示着大模型未来将更加智能，更好地服务于人类。

腾讯混元文生图大模型（HunyuanDiT）近日联合社区发布了三款新的可控制插件ControlNet，分别为tile(高清放大)、inpainting(图像修复与扩充)和lineart(线稿生图)，进一步扩展了其ControlNet矩阵。这些插件的加入，使得混元DiT模型能够覆盖更广泛的应用场景

腾讯优图实验室等机构发布首个开源多模态大语言模型VITA，旨在填补大型语言模型在处理中文方言的空白。VITA基于Mixtral8×7B模型，扩展了中文词汇量，进行双语指令微调，精通英语与中文。其关键特点包括： 1. **多模态理解**：VITA能处理视频、图像、文本和音频，为开源模型中前所未见。 2. **自然交互**：无需特定唤醒词，可即时响应，保持礼貌不干扰。 3. **开源先锋**：推动多模态理解和交互领域的研究进展。 VITA通过双重模型部署实现精准、及时的交互，不仅能聊天，还能作为健身伙伴、旅游顾问，根据输入内容回答问题。在情感语音合成和多模态支持上，VITA正持续优化，目标是生成高质量音频和视频内容。VITA的开源发布，标志着智能交互方式的革新，未来将提供更智能、更人性化的体验。

腾讯公司近期推出了一项创新的教育辅助工具——“AI作文辅导”，旨在帮助学生提高写作能力。这项功能基于腾讯混元大模型，目前已在QQ浏览器上免费开放使用。

腾讯公司近期发布了一款名为TAD Sim的自动驾驶仿真软件，这是一款专为智能驾驶系统研发和验证而设计的跨平台分布式仿真系统。TAD Sim基于腾讯专业的游戏引擎、厘米级数字孪生三维重建技术，集成了工业级的车辆动力学模型和物理级传感器仿真，以及数据驱动的AI交通流模型，能够完成实车上全部模块的闭环仿真验证。

国产大模型在人工智能的多模态领域展现出强劲实力，腾讯的hunyuan-vision和上海AI Lab的InternVL2-40B分别在闭源和开源领域领跑，超越国际知名模型。hunyuan-vision作为腾讯混元大模型的多模态版本，在API调用上受到开发者欢迎，并在腾讯元宝APP中免费开放，展现实用易用性。元宝APP在多模态能力评测中国内第一，通过一系列测试展示了其在理解中文语境、处理图像内容及实际应用中的出色表现，如理解梗图表情包、识别照片内容、挑战视觉错觉等。腾讯混元大模型持续迭代，已扩展至万亿参数规模，覆盖文本、多模态理解及生成领域。元宝APP主打实用AI搭子，具备多端同步、聊天记录同步及强大的多模态理解能力，能基于图片内容进行深入分析。未来，腾讯计划进一步提升融合模型的多模态能力，优化用户体验，并在深度搜索和深度长文阅读方面进行功能更新，以简化用户操作。

​腾讯混元大模型在中文多模态大模型SuperCLUE-V测评基准8月榜单中表现卓越，荣获国内大模型排名第一，位于卓越领导者象限。多模态理解，即模型需准确识别图像元素、理解其关系，并生成自然语言描述，考验了模型对图像识别的精确度及对复杂现实世界的理解力。

腾讯元宝AI助手新增长文精读功能，为用户提供专业内容如论文、财报和研报的深度分析。用户上传内容后，可获取核心概览、模块化解析、图表总结，快速掌握关键信息。深度阅读模式借助腾讯混元大模型，支持50万字长文处理，生成图文并茂分析，包括创新点提炼、专业术语搜索/翻译、杜邦分析图等。此功能允许用户离线查看精读内容及原文，提升阅读效率。基于万亿参数的腾讯混元大模型，具备多模态理解和生成能力，在中文大模型多模态理解评测中领先。此外，文生图大模型已开源，方便开发者应用。

ControlMM是香港中文大学与腾讯联合开发的创新技术框架，旨在解决多模态全身动作生成中的难题。该框架支持文本、语音、音乐等多模态输入，生成与内容匹配的全身动作，通过ControlMM-Attn模块并行处理动态与静态人体拓扑，实现高效运动知识学习。采用分阶段训练策略，从文本到运动预训练到多模态控制适应，确保模型在不同条件下的有效性。ControlMM-Bench基准引入，提供统一格式的多模态全身动作生成评估，推动了领域发展。实验结果表明，ControlMM在可控性、顺序性和运动合理性方面显著优于基线模型，展现了在文本、语音和音乐控制下的出色性能。

​近日，有媒体报道称腾讯参与了中国人工智能独角兽企业月之暗面科技有限公司的3亿美元融资，但月之暗面对此未予置评。月之暗面此前在5月份的估值已达到30亿美元，成为大模型创业公司中的佼佼者。

根据PARAT数据库的最新报告，全球人工智能(AI)行业的竞争格局正在形成，美国的Alphabet(谷歌母公司)和微软凭借在AI论文引用量上的优势领先，中国百度和腾讯则在专利申请数量上表现出强劲的后劲。这份报告颠覆了人们对AI领域的固有认知，强调了尖端研究在工业界的蓬勃发展，尤其是中国企业的研究质量。《Attention Is All You Need》论文是AI研究中被引用次数最多的论文，展示了谷歌在AI领域的领导地位。中国机构如腾讯、阿里巴巴和华为在高被引AI论文和预印本数量上排名全球前十。在专利申请方面，AI专利申请数量最多的前十家公司中，美国公司仅占三席，中国、德国和韩国的公司占主导地位。此外，报告还揭示了许多不以AI创新闻名的公司实际上在AI领域也表现出活跃度。亚马逊以1.4万个AI岗位独占鳌头，显示了其在AI人才争夺上的投入和野心。整体而言，美国和中国在AI领域的竞争尤为激烈，而其他国家和企业也积极参与，预示着AI未来发展的广阔前景和深远影响。

腾讯智影PC端新推出的“智能画布”功能，整合AI绘画技术，为用户提供了包括智能抠图、消除、扩图、局部重绘、图片裁剪、高清翻新等在内的多种实用图片编辑工具。用户通过智影首页的“智影小工具”即可访问“智能画布”，支持自定义画布尺寸，上传图片进行编辑，包括添加文字、使用素材贴纸，以及直接在画布上进行AI创作。此外，该功能还具备AI绘画的文生图和图生图功能，以及图片AI调整功能如智能抠图、智能消除、智能扩图和局部重绘，为用户提供从创意到编辑的全方位支持，适合各种创意和专业需求。用户现可登录智影首页，体验这些创新功能。

研究团队腾讯人工智能实验室推出的“隐含对齐视频到音频生成”模型VTA-LDM凭借其创新的隐含对齐技术，有效实现了视频与生成音频的语义和时间一致性，大幅提升音频生成质量，拓宽了视频生成技术应用场景。实验分析表明，结合视觉编码器、辅助嵌入与数据增强的模型设计，显著提高了生成音频的准确性和一致性。团队通过建立基础模型，开展消融实验，评估不同部分对生成效果的影响，证实了模型在质量与同步性上的卓越性能，达到技术前沿。通过简单用户操作：将视频片段放入数据目录并运行脚本，即可生成相应音频，随后工具帮助实现音频与原始视频合并，进一步提升应用便利性。VTA-LDM模型为用户提供多样化模型选择，涵盖不同需求，显著推动视频到音频生成领域技术发展与应用创新。

智影小程序新推「AI视频」功能，仅需一键便能将普通视频转换成吸引人的动漫风格，帮助用户轻松提升视频的美感和趣味性。采用一键式操作设计，即使是初学者也能制作专业水平的风格化视频。提供多样风格模板，增加视频的品种多样性和艺术性，进而增强视频传播力，使观众益发关注。 AI视频功能的操作简单便捷：用户只需在智影小程序内选择AI视频功能，导入视频，系统自动转换生成。特别适应于希望通过社交媒体分享趣味视频内容的用户，进一步增强视频魅力与故事性。限时免费使用政策鼓励尝试，让视频创作更具多样性与吸引力。