video recording
PulseAugur coverage of video recording — every cluster mentioning video recording across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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。
-
新指标MultiMem量化多模态对比学习中的记忆现象
研究人员引入了MultiMem，这是一个量化多模态对比学习中记忆现象的新颖指标，该领域此前在这方面尚属未探索的领域。他们的分析表明，模态之间，特别是文本之间的语义不匹配是记忆现象的主要驱动因素。研究还表明，跨所有模态应用有针对性的增强可以有效减少记忆现象并提高模型性能。
-
TorchCodec 0.14 增加了跨多种硬件的 HDR 视频解码功能
TorchCodec 发布了 0.14 版本，引入了使用从标准 CPU 到高性能 CUDA GPU 的各种硬件解码高动态范围 (HDR) 视频的功能。此次更新还包括一个更快的 WAV 解码器，可能提高音频任务的性能。
-
OmniMem 提升大语言模型内存效率，用于长视频分析
研究人员开发了 OmniMem，一个旨在提高音视频大语言模型处理长视频时内存效率的新框架。OmniMem 通过采用一种区分视觉和音频上下文的模态感知分配策略，解决了视频 token 和 KV 缓存线性增长的挑战。它还使用扰动感知选择来保留关键信息，防止内存压缩损害理解。实验表明，在相似的内存限制下，OmniMem 比现有方法提高了 2-4% 的准确率，通过预算感知微调还可以获得进一步的提升。
-
NHK研究所开发视频编辑历史嵌入技术以打击深度伪造
NHK研究所开发了一项新技术，可将编辑时间、编辑者、编辑方式等溯源信息直接嵌入视频文件。这项创新旨在追踪AI生成和编辑内容的真实性。预计该技术在区分深度伪造和AI合成视频方面将发挥作用，为媒体溯源和内容验证基础设施做出贡献。
-
AI工具可在Mastodon上根据文本提示生成视频
一款新的AI工具已发布，可以根据文本提示生成视频。这款名为“Automatuzacja AI”的工具可在Mastodon上使用，旨在简化视频创作。该工具正通过平台上的各种帖子进行推广，突出了其在AI驱动的视频生成方面的能力。
-
Thinking Machines Lab 揭晓实时多模态交互模型
AI 研究实验室 Thinking Machines Lab 推出了一类名为交互模型的新系统，旨在克服传统回合制 AI 的局限性。这些模型采用原生多模态架构，支持实时人机协作，以连续的 200 毫秒微回合处理音频、视频和文本输入输出。这种方法使 AI 能够主动倾听、打断和做出反应，超越了静态聊天界面，实现了更动态和集成的交互。
-
新的Omni-Fake数据集对社交媒体上的多模态深度伪造检测进行基准测试
研究人员推出了Omni-Fake，这是一个新的基准数据集，旨在改进社交媒体上多模态深度伪造的检测。该数据集包含跨图像、音频、视频和音频-视频说话人脸模态的超过100万个样本，以及一个用于测试泛化能力的分布外基准。Omni-Fake还支持一个用于深度伪造的联合检测、定位和解释的协议，并引入了一个名为Omni-Fake-R1的基于强化学习的检测器，该检测器集成了跨模态线索，以获得更准确和可解释的结果。