搜索：视觉-文本激活编辑

「视觉-文本激活编辑」共找到 1120 篇相关文章

dLLM的「Free Lunch」！浙大&蚂蚁利用中间结果显著提升扩散语言模型

近年来，扩散大语言模型（dLLM）成为文本生成新势力，生成效率高。但现有解码策略忽视中间迭代信息，研究团队观察到「先对后错」现象，提出 TCV 和 TCR 方法，显著提升模型在推理任务表现。

随着AI发展，打造能推理又能创作的系统成为焦点。但让LLM学习视觉创作面临训练成本高和能力受损问题。BIFROST - 1框架在MLLM和扩散模型间建通信信道，解决核心痛点，实验表现出色。

Google最新发布的Genie 3能从文本生成交互式世界，实现24fps实时交互，分钟级一致性，720p分辨率。它取长补短，有出色记忆能力，物理表现自然，还能让智能体完成任务。不过目前是有限预览，有不足。

在AI驱动的桌面自动化领域，传统工具部署复杂且性能受限。最近GitHub开源的Windows - MCP工具，能让AI助手与Windows UI原生交互，可进行点击、输入等操作，支持Windows 7 - 11，无需传统计算机视觉技术。

图像超分辨率技术在多种视觉任务中重要，但传统方法泛化能力有限。德克萨斯A&M等大学研究人员推出4K Agent，其多智能体架构能将低分辨率图像提至4K高清，在多领域测试表现出色。

现有文本生成视频模型多为离线生成，无法满足实时交互需求。加利福尼亚大学与Meta联合提出StreamDiT模型，采用流匹配等方法，蒸馏模型可单卡每秒16帧实时生成512p视频，不过仍有伪影问题。

今日百度正式开源文心大模型4.5系列10款模型，涵盖不同参数规模。该系列模型在多文本和多模态基准测试达SOTA，多项评测超Qwen3、DeepSeek - V3，还具备三大关键创新，获开发者关注。

在 WWDC 2025 上，苹果宣布在多操作系统引入‘液态玻璃’新视觉风格，是 12 年来最大 UI 革新。这或成苹果移动端外观重大转变，但也掩盖其 AI 落后现状，还让开发者面临功耗、适配等挑战。

文章指出多模态搜索领域给文档综合评分难，因文本与图像评分缺乏可比性。2025年4月发布的jina - reranker - m0可解决此问题，其两阶段检索流程能显著提升召回率，对多模态AI系统设计有启发。

MiniMax的Speech-02语音模型登顶国际榜单，超越OpenAI等海外模型。它引入可学习说话人编码器，有高扩展性，还能结合文本描述生成音色。测试显示其音色丰富、读音准、支持多语种，声音复刻逼真。