美团推出了LongCat-Flash-Omni模型，参数达到5600亿，支持低延迟音视频交互，表现优异。该模型在多模态任务中实现了开源最先进水平，具备强大的文本、图像、音频和视频理解能力，有效解决了推理延迟问题。
美团发布了LongCat-Flash-Omni模型，参数达到5600亿，支持低延迟音视频交互，表现优异，解决了推理延迟问题，适用于多种应用场景。
本文综述音频-视觉分割（AVS）研究进展，提出AVS任务及AVSBench基准，采用像素级音视频交互模块和正则化损失实现声音物体分割；后续工作引入双向生成、两阶段引导、音频解混、音频查询Transformer等框架，在AVS基准上持续刷新最优性能。
完成下面两步后，将自动完成登录并继续当前操作。
