video recording
PulseAugur coverage of video recording — every cluster mentioning video recording across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
克罗地亚人抗议精神病院死亡事件,此前残酷视频曝光
克罗地亚数千人抗议 Kristian Josip Peris 在一家精神病院死亡的事件,他于10月21日去世。在当地媒体公布了事件的监控录像后,公众的愤怒情绪日益高涨,人们要求伸张正义并改善医院规定。
-
AI模型定价信息源包含大量默认值,而非真实价格
对一个AI模型定价信息源的审查发现,116个模型中有26个共享相同的价格1.54,这表明这是一个默认值而非真实的市场价格。分析还发现“单位”字段存在类似问题,其中“flat”被用作每token定价的默认值。作者提出了识别此类数据信息源不准确性的方法,强调了每个提供商和类别具有不同的数值计数的重要性,以确保数据的可靠性。
-
LLM API定价列表包含误导性的计费单位标签
对LLM API定价的分析揭示了计费单位标签标记不一致的问题,特别是“flat”一词常被错误地应用于按token计费。作者强调,跨不同计费单位(每100万token、每次请求、每张图像或免费但有限制)比较价格具有误导性,可能导致成本估算错误。为了准确比较LLM成本,用户应先按计费单位对模型进行分组,然后再排序,并考虑实际完成任务的成本,该成本考虑了重试率和延迟变化。
-
Google 将广告重点从搜索广告转向 PMax 和视频
Google 正在将其广告重点从传统的搜索广告转向 Performance Max (PMax) 和视频广告系列。这一战略性转变旨在适应不断变化的数字格局,尤其是在人工智能时代,用户参与度和广告系列效果正在发生变化。
-
LucidLyra框架支持从视频进行可查询的3D场景重建
研究人员开发了LucidLyra,一个新颖的3D场景重建框架,可以直接从视频潜在表示中进行语义和实例查询。该方法从视频扩散模型和2D视觉基础模型中蒸馏知识,以创建编码几何、外观和对象信息的3D高斯。与先前的方法不同,LucidLyra在训练时不需要手动3D标注或多视图数据,并且其输出可以直接用于机器人和3D场景编辑等应用。
-
新的 Omni-UBench 框架评估全模态 LLM 护栏
研究人员推出 Omni-UBench,一个旨在评估全模态大型语言模型 (OLLMs) 的安全性、实用性和可靠性的新框架。该基准测试包含跨文本、图像、音频和视频模态及其组合的超过 183,000 个样本。初步基准测试显示,虽然 OLLMs 在内容审核方面显示出潜力,但现有的护栏在应对复杂的跨模态越狱以及由于对跨模态安全语义理解不足而导致的“安全幻觉”方面存在困难。
-
风险投资家和谷歌高管表示,人工智能将彻底改变创意产业和科学研究
近期对 Andreessen Horowitz 的风险投资家和谷歌研究副总裁 Yossi Matias 的一次采访,凸显了人工智能的变革潜力。Marc Andreessen 和他的同事们认为,人工智能将超越仅仅作为音乐、视频和游戏等创意领域的助手,显著扩展生产力和创造力范围。Matias 设想人工智能将赋能所有科学家拥有研究实验室,并降低跨学科的壁垒,他强调未来的构建者将更多地关注问题选择、道德判断和适应性,而不仅仅是编码。
-
AI 编码挑战赛包含照片转视频和副业项目
该集群详细介绍了为编码挑战赛提交的两个不同的 AI 相关项目。第一个项目是一个以万圣节为主题的 AI 照片转视频管道,旨在将静态图像转换为短视频叙事。第二个提交是为 Hacktoberfest 开源 AI 挑战赛提交的,重点关注 AI 开发领域内的副业概念。
-
研究人员发布具有细粒度音色控制的文本到合成器音频模型
一位研究人员开发并发布了一个音频模型,该模型能够为音乐制作生成独特的音效样本,并将文本描述转换为可演奏的合成器。该模型名为 Foundation-1,可以对乐器音色进行细粒度控制,从而在同一乐器类型中实现独特的音质。创作者已在 Hugging Face 上分享了该模型,并提供了 GitHub 上的视频教程和推理流程,以指导其他人创建自己的文本到合成器工具。
-
ElevenLabs 和 Claude 集成,实现高级 AI 语音生成
一种新方法将 ElevenLabs 的语音克隆技术与 Claude 的对话式 AI 功能相结合。这使得用户只需提供脚本并指定音调和语速等声音特征即可生成音频文件。该系统旨在简化配音和视频录制等任务的语音生成。
-
基础模型展现出隐式深度伪造检测能力
一项新的研究论文提出,常用于人工智能的基础模型本身就具备检测深度伪造(deepfake)的能力。研究发现,与真实媒体相比,这些模型在各种数据集和领域中对虚假媒体产生的表示幅度较低。这一观察表明,深度伪造检测可以被视为一个异常检测问题,简单的特征幅度统计数据就能在与更复杂的方法竞争时取得有竞争力的结果。研究表明,虚假内容中的语义变化是这种区分信号的主要驱动因素,并且更大的基础模型展现出更强的零样本深度伪造检测能力。
-
MiniMax AI推出全模态生成模型H3
MiniMax AI发布了其新的全模态生成模型MiniMax H3。该模型能够处理和生成包括文本、图像、视频和音频在内的多种模态的内容。MiniMax H3通过在线API和各种应用程序提供,强调其商用级能力和成本效益。
-
新的DataSpace基准测试通过复杂的、可验证的分析挑战AI代理 · 跟踪2个来源
引入了一个名为DataSpace的新基准测试,用于评估数据代理在复杂、异构工作空间上执行可验证分析的能力。该基准测试包含410个任务和超过7000个文件,总计15 GB,涵盖CSV、JSON、SQLite、Markdown、PDF和视频等多种格式。DataSpace也是KDD Cup 2026竞赛的官方评估平台,挑战参赛者开发能够发现证据、跨格式整合信息并生成可验证表格结果的代理。当前前沿的多模态模型在DataSpace上的最高准确率…
-
人工智能威胁广告预算;CIMM 提出营销组合建模的六种修复方法
创新媒体测量联盟 (CIMM) 发布了一篇论文,详细介绍了防止人工智能不准确地影响广告预算的六个步骤。该论文强调了对营销组合建模 (MMM) 输入不明确可能导致人工智能系统误判电视和视频广告价值的担忧。CIMM 提出了解决方案,以解决数据差距并确保更准确的人工智能驱动的预算分配,特别是在预期到 2027 年的变化。
-
JEPA模型在处理语言的条件结构时面临挑战
一篇新论文探讨了将联合嵌入预测架构(JEPA)应用于语言处理所面临的挑战,将其在图像和音频领域的有效性与在文本领域的局限性进行了对比。研究强调,确定性的JEPA风格潜在预测在处理语言的条件结构时存在困难,因为语言可以有多种有效的补全方式,这与图像更具空间连续性的性质不同。I-JEPA和T-JEPA模型的实验表明,存在互信息饱和、训练-验证不稳定性以及下游迁移能力差等问题,这表明文本的JEPA目标必须能够容纳多种合理的补全,而不是将它们…
-
OmniStyle-INR 实现视觉数据的通用风格迁移
研究人员推出 OmniStyle-INR,一个专为各种视觉数据类型实现通用和多模态风格迁移的新框架。该方法利用隐式神经表示 (INR) 来处理二维图像、视频、三维场景和四维动态,在数据压缩和超分辨率方面具有优势。OmniStyle-INR 支持通过文本提示和视觉示例进行高质量风格迁移,为依赖高斯泼溅法处理这些连续域的方法提供了一种替代方案。
-
Mastodon 用户分享幽默的 AI 生成动画
该条目是一个名为“别射水果”的短篇幽默动画,发布在 Mastodon 上。它似乎是一件数字艺术品或短视频,带有关于美国独立日、新闻、政治和人工智能的主题标签。
-
新技术允许将视频扩展到任何宽高比
一项新技术允许将任何视频扩展到任何宽高比,克服了先前的限制。该方法支持动态调整,将标准视频转换为适合各种显示需求的格式。
-
新的MARS方法利用文本拒绝指令增强多模态LLM安全性
研究人员开发了一种名为MARS(Modality-Agnostic Refusal Steering,跨模态无关拒绝引导)的新方法,以增强多模态大语言模型(MLLMs)的安全性。MARS利用通常用于单模态LLM的文本拒绝指令,在无需不安全的多模态训练数据的情况下提高安全性。该方法解决了跨模态对齐问题,并在保持效用的同时,在各种基准测试中持续展示了安全性的提升。
-
火山引擎发布豆包2.1 Pro,AI能力增强 · 跟踪1个来源
字节跳动的火山引擎发布了豆包大模型2.1,其Pro版本在编码、智能体技术和视觉语言模型方面具有增强的功能。该公司还宣布了新的视频、图像和音频模型,以及升级的智能体云服务系统。豆包预计将继续对普通用户免费,而用于生产力任务的专业版本将集成2.1 Pro模型。