北京智源人工智能研究院（BAAI）近日宣布推出一款创新的3D生成模型See3D，该模型能够利用大规模无标注的互联网视频进行学习。这一技术突破标志着向“See Video， Get3D”的理念迈进了重要一步。See3D模型不依赖于传统的相机参数，而是采用视觉条件技术，仅通过视频中的视觉线索生成相机方向可控且几何一致的多视角图像。这种方法避免了昂贵的3D或相机标注的需求，能够高效地从互联网视频中学习3D先验。

这一算法名为 DenseAV，它通过关联音频和视频信号来学习语言的含义。Hamilton 和他的同事们训练 DenseAV 进行音视频匹配游戏后，观察了该模型在听到声音时关注的像素。例如，当有人说 “狗” 时，算法会立即在视频流中寻找狗。这种像素的选择能够帮助人们发现算法认为某个词的含义。