効果は爆発的! OpenAI初のビデオ生成モデルがリリース、1分でスムーズかつ高解像度、ネチズン:業界全体が安らかに
たった今、ウルトラマンは OpenAI の最初のビデオ生成モデル Sora をリリースしました。
DALL・E 3 の画質とコマンド追従機能を完全に継承し、最長 1 分の高解像度ビデオを生成できます。
#AI は、赤い旗がはためき、大勢の人が集まる辰年の春祭りを想像しました。
多くの子供たちがドラゴンダンスチームを興味深そうに眺め、中には携帯電話を取り出して人々のさまざまな行動を記録する人もいた。
雨上がりの東京の街並み、濡れた地面リフレクションネオンの光と影の効果はRTX ONに匹敵します。 ############################### 走行中の電車の窓が時折遮られ、車内のキャラクターの反射が一瞬表示され、非常に見事です。
ハリウッド大作映画のような映画の予告編もご覧いただけます:
であると述べました 教育用 AI は、動いている物理世界を理解し、シミュレーションします。
目標は、人々が現実世界のインタラクションを必要とする問題を解決できるようにモデルをトレーニングすることです。
テキスト プロンプトに基づいてビデオを生成します。計画全体のほんの 1 ステップにすぎません。
現在、Sora は 複数のキャラクターと特定の動きを含む複雑なシーンを生成できます. それはユーザーのプロンプトを理解するだけではありません。に示されているように、これらのオブジェクトが物理世界にどのように存在するかについても理解してください。
Sora は、1 つのビデオ内で複数のショットを作成することもでき、言語の深い理解に基づいて手がかりとなる単語を正確に解釈し、キャラクターとビジュアル スタイルを維持します。 美しい雪の東京は人々で賑わっています。カメラはにぎやかな街の通りを移動し、美しい雪の日を楽しんだり、近くの屋台で買い物をしたりする数人の人々を追っています。雪の結晶とともに、華やかな桜の花びらが風になびきます。 OpenAI は、Sora の現在の弱点を恥ずかしがらず、複雑なシーンの物理原理を正確にシミュレートすることが難しく、因果関係を理解できない可能性があることを指摘しています。
。
たとえば、「5 匹のハイイロオオカミの子が、人里離れた砂利道で遊んだり追いかけたりしていた。」オオカミの数は変化し、何匹かはどこからともなく現れたり消えたりします。
モデルは、
左と右の混同など、#キューの空間的詳細を難読化することもあり、
特定のカメラの軌跡をたどるなど、時間の経過とともに発生するイベントを正確に記述するのは困難です。
OpenAI はテクノロジーに関しては、現時点ではあまり公開されていませんが、簡単に紹介すると次のとおりです。
Sora は 拡散モデル で、ノイズから開始してビデオ全体を一度に生成したり、ビデオの長さを延長したりできます。
重要なのはthat 一度に複数のフレームの予測を生成し、画像の被写体が一時的に視野から外れても変更されないようにします。
GPT モデルと同様に、Sora は拡張性の高い Transformer アーキテクチャを使用します。
データの観点から見ると、OpenAI は、GPT のトークンと同様に、ビデオと画像をパッチとして表します。
この 統一データ表現を使用すると、 さまざまな持続時間、解像度をカバーする、以前よりも広範囲の視覚データでモデルをトレーニングできるようになります。アスペクト比。 Sora は、DALL·E および GPT モデルに関する過去の研究に基づいて構築されています。 DALL・E 3 の再表現プロンプト ワード テクノロジーを使用して、ビジュアル トレーニング データに対して高度に説明的な注釈を生成するため、ユーザーのテキスト指示により忠実に従うことができます。
このモデルは、テキストの指示のみに基づいてビデオを生成できることに加えて、既存の静止画像を取得してそこからビデオを生成し、画像コンテンツを正確にアニメーション化し、細部に注意を払うこともできます。
モデルは、既存のビデオを取得して拡張したり、欠落したフレームを埋めたりすることもできます。詳細については、技術文書を参照してください
(後日リリース予定)。 Sora は、現実世界を理解してシミュレーションできるモデルの基盤であり、OpenAI は、この機能が AGI を達成するための重要なマイルストーンになると考えています。
ウルトラマンはオンラインで注文を受け付けています
現在、一部のビジュアル アーティスト、デザイナー、映画製作者
(および OpenAI 従業員)が Sora にアクセスできるようになりました。 続々と新作が出版されるようになり、ウルトラマンもネットで注文を受け付けるようになった。
プロンプト ワード @sama を入力すると、生成されたビデオ応答を受け取ることができます。
#
以上が効果は爆発的! OpenAI初のビデオ生成モデルがリリース、1分でスムーズかつ高解像度、ネチズン:業界全体が安らかにの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

Video Face Swap
完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









0.この記事は何をするのですか?私たちは、多用途かつ高速な最先端の生成単眼深度推定モデルである DepthFM を提案します。従来の深度推定タスクに加えて、DepthFM は深度修復などの下流タスクでも最先端の機能を実証します。 DepthFM は効率的で、いくつかの推論ステップ内で深度マップを合成できます。この作品について一緒に読みましょう〜 1. 論文情報タイトル: DepthFM: FastMonocularDepthEstimationwithFlowMatching 著者: MingGui、JohannesS.Fischer、UlrichPrestel、PingchuanMa、Dmytr

従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

世界は狂ったように大きなモデルを構築していますが、インターネット上のデータだけではまったく不十分です。このトレーニング モデルは「ハンガー ゲーム」のようであり、世界中の AI 研究者は、データを貪欲に食べる人たちにどのように餌を与えるかを心配しています。この問題は、マルチモーダル タスクで特に顕著です。何もできなかった当時、中国人民大学学部のスタートアップチームは、独自の新しいモデルを使用して、中国で初めて「モデル生成データフィード自体」を実現しました。さらに、これは理解側と生成側の 2 つの側面からのアプローチであり、両方の側で高品質のマルチモーダルな新しいデータを生成し、モデル自体にデータのフィードバックを提供できます。モデルとは何ですか? Awaker 1.0 は、中関村フォーラムに登場したばかりの大型マルチモーダル モデルです。チームは誰ですか?ソフォンエンジン。人民大学ヒルハウス人工知能大学院の博士課程学生、ガオ・イージャオ氏によって設立されました。

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません
