支付宝开放平台-开发者社区——AI 日报「4 月 17 日」-CSDN博客

本文链接：https://blog.csdn.net/2401_85476653/article/details/147305668

1️⃣装满智能体AI的手机，正在呼唤一个“Type-C时刻”

当手机中装满智能体，下一代AI手机的雏形正在显现。

天玑开发者大会上，手机芯片巨头联发科提出了全新的AGENTIC AI UX雏形。在联发科的畅想中，AI助手不再是一个单纯的执行者，而是变成了一个能够协作，甚至“懂得拒绝”的伙伴。一同发布的，还有全新升级的旗舰5G智能体AI芯片天玑9400+，AI能力再次升级。相比前半代的“端侧AI最强芯”天玑9400，9400+的苏黎世AI能力跑分，又提升了25%。并且支持在端侧运行推理模型，准确率已经超过了o1-mini。

联发科认为，端侧AI向智能体进化，本质是让机器的推理能力无限趋近人类直觉，而推理能力正是其中的关键。这既需要芯片提供澎湃算力基础，也依赖开发工具降低技术落地门槛。所以联发科选择了从软硬件同时入手，让智能体化AI成为融入日常体验的实用工具。

2️⃣OpenAI震撼发布o3/o4-mini，直逼视觉推理巅峰！首用图像思考，十倍算力爆表

新智元｜阅读原文

刚刚，OpenAI联创Greg Brockman和首席研究官Mark Chen带队，开启了20分钟线上直播。这次不仅有o3，还有下一代推理模型o4-mini。它们首次实现了「用图像思考」，堪称视觉推理的巅峰之作。

如同AI智能体，两款模型在不到1分钟内，自主判断并组合运用ChatGPT内置工具，生成了详尽周全的答案。其中包括，搜索网页、用Python分析上传的文件及数据、对视觉输入进行深度推理，乃至生成图像。

在Codeforces、SWE-bench、MMMU等基准测试中，o3刷新SOTA，不论是在编程、数学、科学，还是在视觉感知领域都树立了新标杆。尤其是，对于图像、图表、图形分析，o3表现尤为突出，能够深入挖掘视觉输入的细节。用奥特曼的话来说，「接近或达到天才水平」。

不过，这个智力的代价是，需要投入o1十倍以上的算力。

3️⃣免费用！阿里通义大模型上新，超逼真音视频生成SOTA！

机器之心｜阅读原文

阿里通义实验室推出了全新数字人视频生成大模型 OmniTalker，只需上传一段参考视频，不仅能学会视频中人物的表情和声音，还能模仿说话风格。相比传统的数字人生产流程，该方法能够有效降低制作成本，提高生成内容的真实感和互动体验，满足更广泛的应用需求。目前该项目已在魔搭社区、HuggingFace 开放体验入口，并提供了十多个模板，所有人可以直接免费使用。

受启发于 LLM 的上下文学习能力，以及多模态 DiT 在文生图中的优势，我们提出了如图所示的模型架构。该架构有三个核心部分：（1）三个嵌入模块来分别捕捉参考音视频的动态特征以及文本信息，（2）一个双流 DiT 模型用于音视频并行建模，以及 (3) 一个音视频特征融合模块来确保音视频特征的紧密同步。

阿里巴巴通义实验室的 HumanAIGC 团队专注于 2D 数字人和人物视频生成的研究，在相关领域内已发表了多篇顶会论文，比如单图驱动角色视频生成 Animate Anyone 以及 Animate Anyone2，单图语音驱动视频生成技术 EMO 以及 EMO2，实时数字人 ChatAnyone 等均出自该团队。

体验地址：https://huggingface.co/spaces/Mrwrichard/OmniTalker

对此，你怎么看？

支付宝/钉钉扫码加入支付宝开发者钉组织，可了解支付宝开放能力最新动态，订阅文档更新消息，和同城同行业交流业务，与支付宝产研沟通交流。