大模型中的视听智能综述
深度2026年5月13日106 分钟阅读
本文揭示了音频-视觉联合建模在大模型时代的重要性，系统梳理了从语音识别到视频生成等多样化任务。推荐给从事多模态AI、大模型及应用的研究者和工程师阅读。
本文编译自 Audio-Visual Intelligence in Large Foundation Models，版权归原作者所有。
觉得有用？分享给更多人
相关文章
ElevenLabs 的托管 MCP 连接器让 Claude 能检查、修改生产环境中的 ElevenAgents 语音代理。虽然提供了 OAuth 登录和双重访问控制，但确认界面无法保证更改后的代理仍按预期工作。CLI 和 API 提供的测试与版本控制流程，可能是更安全的选择。
深度The New Stack·8月17日·5 分钟
本文剖析 Agent Plugins 1.0.0 规范的局限：它只标准化组件位置，而将行为语义交给 Agent Skills 和 MCP 规范（均出自 Anthropic，但未参与治理）。文中指出兼容性矩阵的弹性、模式与规范冲突、命名空间逃逸、凭据和可执行文件的可移植性陷阱，并对 v1.1 提出改进建议。
深度The New Stack·8月17日·9 分钟