探索我们精心策划的AI文章集合，涵盖人工智能、机器学习、AI工具等多个领域
ShotVerse，推动电影式摄像机控制，支持文本驱动的多镜头视频创作，一个“规划后控制”框架，将生成解耦为两个协作代理：基于 VLM（视觉语言模型）的 Planner，利用空间先验从文本中获得电影感、全局对齐的轨迹;以及 Controller，通过摄像机适配器将这些轨迹渲染成多镜头视频内容。
MA-EgoQA，多智能体第一人称视频问答，基于 EgoLife 数据集构建，该数据集中 6 个人连续 7 天佩戴第一人称摄像机共同生活，产生了 266 小时的多智能体视频。每个问题都需要跨越两个以上智能体的观察进行推理。
NVIDIA-Nemotron-3-Super，英伟达开源的语言模型，提供强大的代理、推理和会话能力。它针对协作代理和大批量工作负载（如 IT 工单自动化）进行了优化。
RL3DEdit，多视角一致 3D 场景编辑，在多种场景下实现高质量的 3D 编辑：动态编辑、主体替换， 风格转换、背景变化和富有挑战性的场景添加——全部在一次前传中完成。
InternVL-U，统一多模态模型，用于理解、推理、生成与编辑，4B 参数，将多模态理解、推理、图像生成和图像编辑整合到一个框架中。
Fish Audio S2 Pro，开源的文本转语音模型，在超过 1000 万+小时的音频数据、80+语言中进行训练。
CARE-Edit，上下文图像编辑，通过轻量级条件感知路由器将扩散令牌路由给四位专业专家（文本、遮罩、参考、基底） 。
WildActor，用于任意视角条件化人类视频生成的框架，无约束身份保护视频生成，在任何观看条件下的无限制人类视频生成。
