视频大模型新基元：用Object Tokens重塑细节感知与指代理解
视频大模型新基元：用Object Tokens重塑细节感知与指代理解被顶会ICCV 2025以554高分接收的视频理解框架来了！
来自主题: AI技术研报
8674 点击 2025-11-28 09:24
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
被顶会ICCV 2025以554高分接收的视频理解框架来了！
最近 AI 音乐圈的大新闻是一个接一个，但今天这个，简直就是核弹级的！那个让无数人又爱又恨的Suno，和音乐巨头华纳音乐集团（WMG），居然官宣合作了！你没听错，是合作！而且是全球首个大型“正版授权 AI 音乐”合作框架！这可不是小打小闹，这意味着 AI 音乐的“野蛮生长”时代可能要翻篇了。
科学发现的轨迹，如同交织在人类历史中的璀璨织锦，经历了一系列范式的演进。早期的探索，主要依赖于由直觉、反复试验或机缘巧合驱动的经验发现。随后，以牛顿力学为代表的理论框架，为我们洞察自然现象的基本原理提供了基石。
在AI视频创作过程中，创作者常因频繁切换多种工具而疲惫，导致创作热情消磨。近期，多所高校联合开源的UniVA框架，像一位「AI导演」，能整合多种视频工具，提供从脚本到成片的一站式自动化体验，改变传统「抽卡」式创作，支持多轮交互和主动纠错，还能实现风格迁移、前传创作等功能，为视频创作带来高效与便捷。
任务规划+文件系统访问+子agent委托
在推荐系统迈向多模态的今天，如何兼顾数据隐私与个性化图文理解？悉尼科技大学龙国栋教授团队联合香港理工大学杨强教授、张成奇教授团队，提出全新框架 FedVLR。该工作解决了联邦环境下多模态融合的异质性难题，已被人工智能顶级会议 AAAI 2026 接收为 Oral Presentation。
图像与视频重光照（Relighting）技术在计算机视觉与图形学中备受关注，尤其在电影、游戏及增强现实等领域应用广泛。当前，基于扩散模型的方法能够生成多样且可控的光照效果，但其优化过程通常依赖于语义空间，而语义上的相似性无法保证视觉空间中的物理合理性，导致生成结果常出现高光过曝、阴影错位、遮挡关系错误等不合理现象。
扩散式语言模型（Diffusion Language Model, DLM）虽近期受关注，但社区长期受限于（1）缺乏易用开发框架与（2）高昂训练成本，导致多数 DLM 难以在合理预算下复现，初学者也难以真正理解其训练与生成机制。
带领IDEA研究院（粤港澳大湾区数字经济研究院）走过第五个年头的沈向洋，新鲜分享了他用来梳理智能演进的五个维度——作为IDEA研究院创院理事长，相比给出一个技术路径路线图，他更希望提出一个识别机会的思考框架，帮助创新者在智能演进中找到技术、产品与商业的切口。
就在一周前，全宇宙最火爆的推理框架 SGLang 官宣支持了 Diffusion 模型，好评如潮。团队成员将原本在大语言模型推理中表现突出的高性能调度与内核优化，扩展到图像与视频扩散模型上，相较于先前的视频和图像生成框架，速度提升最高可达 57%：