搜索
语音是人类最自然、最习惯的交互方式。随着代码智能体、办公智能体逐渐普及，人们对智能体的期待也不再只是 “问一个问题、得到一个答案”，而是希望像和同事一样持续沟通，共同完成一项工作：任务进行到一半，可以随时询问进展；想到新要求，可以直接补充；方向变了，也可以马上取消或修改。
在荷马史诗《奥德赛》与特洛伊传奇中，特洛伊人把看似神圣礼物的巨大木马迎入城内，暗藏其中的希腊勇士在夜色中洞开城门，令固若金汤的城池瞬间陷落。
在将 LLM 真正应用到产品的过程中，我们经常会遇到一个看似简单、却非常关键的问题：模型生成的内容，究竟有多可信？
在视频生成领域，少步视频模型已经实现只需少量采样步骤，就能生成连续画面。
增强模型的表达能力，可以让Transformer更灵活地读取和整合信息。Attention Residuals（AttnResidual）沿着这个方向，将注意力从token之间的信息交互扩展到网络深度，让每个子层学习选择哪些历史层输出。
1995年，Michael Wooldridge和Nicholas Jennings在《Intelligent Agents: Theory and Practice》中，将自主性（Autonomy）、交互能力（Social Ability）、反应性（Reactivity）和主动性（Proactiveness）列为智能体的四项基本特征。
导读：只需几秒参考音频，现代语音克隆模型就能合成与目标说话人高度相似的语音。但真实部署中的参考录音往往带有噪声，文本可能异常、超长或跨语言，生成的语音还要经过压缩和电话传输，有人甚至会给自己的声音加上「防克隆」保护。
AI Agent 能否像研究人员一样，从论文中学习？
近年来，3D 生成模型在几何质量和渲染效果上进步很快。从 Mesh 到 NeRF、3D Gaussian Splatting，生成一个外观完整的三维物体已经不再困难。现有不少 articulated 3D generation 工作，更多关注的是从输入中生成一整套可动 3D 资产，包括物体几何、部件划分以及关节结构。
如何把屏幕上罗列的实验流程准确变成一连串的实际操作？这个问题直指 AI 科研落地的核心门槛：AI 能够输出可行的实验方案，却很难自主完成整套线下实操。