在多模态生成领域，由视频生成音频（Video-to-Audio，V2A）的任务要求模型理解视频语义，还要在时间维度上精准对齐声音与动态。早期的 V2A 方法采用自回归（Auto-Regressive）的方式将视频特征作为前缀来逐个生成音频 token，或者以掩码预测（Mask-Prediction）的方式并行地预测音频 token，逐步生成完整音频。
华人大三学生，1100 万美元种子轮，硅谷学生创业目前融资最高产品。
AI医学生产力工具开发公司「零假设」近日获近亿元A轮融资，由荷塘创投、国方创新、上海喆驭投资，老股东元禾原点超额认购。本轮融资主要用于打磨、落地场景化AI医学智能体，构建连通药企和医生的学术沟通桥梁。唯快资本长期担任独家融资顾问。
美团，你是跨界上瘾了是吧！（doge）没错，最新开源SOTA视频模型，又是来自这家“送外卖”的公司。模型名为LongCat-Video，参数13.6B，支持文生/图生视频，视频时长可达数分钟。
学术展示视频作为科研交流的重要媒介，制作过程仍高度依赖人工，需要反复进行幻灯片设计、逐页录制和后期剪辑，往往需要数小时才能产出几分钟的视频，效率低下且成本高昂，这凸显了推动学术展示视频自动化生成的必要性。
尽管视觉语言模型（LVLMs）在图像与短视频理解中已取得显著进展，但在处理长时序、复杂语义的视频内容时仍面临巨大挑战 —— 上下文长度限制、跨模态对齐困难、计算成本高昂等问题制约着其实际应用。针对这一难题，厦门大学、罗切斯特大学与南京大学联合提出了一种轻量高效、无需微调的创新框架 ——Video-RAG。
多模态大模型在根据静态截图生成网页代码（Image-to-Code）方面已展现出不俗能力，这让许多人对AI自动化前端开发充满期待。
本研究由新加坡国立大学 ShowLab 团队主导完成。 共一作者 Yanzhe Chen 陈彦哲（博士生）与 Kevin Qinghong Lin 林庆泓（博士生）均来自 ShowLab@NUS，分别聚焦于多模态理解以及智能体（Agent）研究。 项目负责人为新加坡国立大学校长青年助理教授 Mike Zheng Shou 寿政。
最近，美国多家 AI+医疗明星公司接连传来进展：OpenEvidence（医学知识搜索） 的 ARR 已突破 1000 万美元，每天有上万名医生付费使用；Abridge（临床文档转写） 完成 2.5 亿美元融资；Tempus AI（肿瘤学与精准医疗） 已在纳斯达克上市，市值一度超过 60 亿美元；Hippocratic AI（医疗专属大模型） 估值也已达数十亿美元。
Sora 2，用OpenAI的原话描述就是：“With Sora 2, we are jumping straight to what we think may be the GPT‑3.5 moment for video。”AI视频的ChatGPT时刻，正式来了。
