多模态与计算机视觉
【视频音频预训练】讲一下视频/音频预训练，如何构建网络，如何训练？ 「腾讯」
原题【轨迹预测与规划】有没有了解过轨迹预测、博弈和预测规划一体化?如何理解? 「百度」
原题【长视频关键帧提取与语义连贯】对于分钟级长视频，如何设计多模态模型以提取关键帧并保持语义连贯性？ 「腾讯」
原题【长视频理解关键问题】问long video understanding有什么关键的问题？ 「百度」
原题【视频生成模型资源受限优化】如果让你主导研发一款类似于Sora的视频生成模型，应用在腾讯互娱(IEG)的游戏NPC过场动画自动生成中，在可调用的计算资源只有业界头部企业三分之一的情况下，你会优先在哪些网络结构或采样模块上做工程妥协与剪枝？ 「腾讯」
原题【视频生成模型路线对比】目前Diffusion Transformer在视频生成领域证明了巨大的潜力，但自回归(Autoregressive)离散Token模型在图像和视频生成上也有强劲的追赶势头。你如何看待这两种底层路线在未来多模态生成终局上的博弈？ 「腾讯」
原题【超长视频时序建模优化】当多模态大模型需要支持超长视频序列(如两小时完整的腾讯长视频电影)理解时，基础Transformer的全局注意力机制会导致显存瞬间爆炸。请给出三种解决长视频时序建模的架构级优化方案，并详细对比其优劣。 「腾讯」
原题【音频驱动数字人重建】如果现在要你做音频驱动的数字人重建，你觉得有哪些亟待解决的问题，有哪些可以发论文的点？ 「百度」
原题【CFG】CFG设置的scale过高会发生什么？ 「腾讯混元」
原题【图像生成基础】了不了解图像生成，DiT和flow matching等 「阿里巴巴」
原题
暂无题目