当前大家常见的视频生成是酱婶儿的：
来自主题: AI资讯
8164 点击 2024-06-11 09:51
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
当前大家常见的视频生成是酱婶儿的：
即使Sora已经强势“炸”过场，Pika还是再次带着硅谷一众明星资方的投票回到了舆论中心。
“镜头围绕一大堆老式电视旋转，所有电视都显示不同的节目——20世纪50年代的科幻电影、恐怖电影、新闻、静态、1970年代的情景喜剧等，背景设置在纽约一家大型博物馆画廊。”
120秒超长AI视频模型来了！不但比Sora长，而且免费开源
去年 4月， 生成式 AI在国内热度正盛的时候，毒眸造访了几家 AI公司， 创业者们对于 AI的态度是大胆、积极和乐观的。
近年来，LLM 已经一统所有文本任务，展现了基础模型的强大潜力。一些视觉基础模型如 CLIP 在多模态理解任务上同样展现出了强大的泛化能力，其统一的视觉语言空间带动了一系列多模态理解、生成、开放词表等任务的发展。然而针对更细粒度的目标级别的感知任务，目前依然缺乏一个强大的基础模型。
谷歌发布了一个新的视频框架：只需要一张你的头像、一段讲话录音，就能得到一个本人栩栩如生的演讲视频。
以上效果来自一个新的图生视频模型Follow-Your-Click，由腾讯混元、清华大学和香港科技大学联合推出。任意一张照片输入模型，只需要点击对应区域，加上少量简单的提示词，就可以让图片中原本静态的区域动起来，一键转换成视频。
在 2024 世界经济论坛的一次会谈中，图灵奖得主 Yann LeCun 提出用来处理视频的模型应该学会在抽象的表征空间中进行预测，而不是具体的像素空间 [1]。借助文本信息的多模态视频表征学习可抽取利于视频理解或内容生成的特征，
谷歌DeepMind、UC伯克利和MIT的研究人员认为，如果用大语言模型的思路来做大视频模型，能解决很多语言模型不擅长的问题，可能能更进一步接近世界模型。