「图像到有声视频」共找到 1341 篇相关文章
NVIDIA开源“Banana”级黑科技！会懂物理、理解时间的图像编辑模型！
继谷歌Banana后，英伟达开源物理级图像编辑模型ChronoEdit - 14B，被称‘NVIDIA版的Banana’。它有‘时间观念’和‘物理常识’，能按描述生成符合物理规律图像，适用于多领域。
Sora2“复活”已故名人，家属强烈反对
Sora 2走红后肖像权问题成焦点，有人用其“复活”迈克尔·杰克逊、罗宾·威廉姆斯等已故名人。罗宾女儿等家属强烈不满，OpenAI称公众人物及其家属应控制形象使用，美影协要求其解决侵权问题。
2025 年 InfoQ 趋势报告：AI、ML 和数据工程
InfoQ AI ML 趋势报告基于编辑团队与嘉宾播客，总结 AI、ML 技术发展趋势。涵盖 AI 代理、多模态语言模型等创新领域，也提及早期采用者、早期多数、晚期多数类别的技术，还对 2025 年相关领域发展作出预测。
腾讯张正友：具身智能必须回答的三个「真问题」
7月27日，腾讯发布具身智能开放平台Tairos。发布会后，腾讯张正友剖析战略选择背后的三个核心问题：架构上主张分层架构；认为具身智能第一性原理是身脑融合；强调要为长远目标放弃短期商业利益。
谢赛宁团队新作：不用提示词精准实现3D画面控制
谢赛宁团队新发布的Blender Fusion框架，结合图形工具 (Blender) 与扩散模型，让视觉合成不再仅依赖文本提示，实现精准画面控制。其核心是对现有技术高效组合，还透露两项训练技巧提升泛化性。
多模态模型具备“物理推理能力”了吗？新基准揭示：表现最好的GPT-o4 mini也远不及人类！
来自多机构研究人员构建PhyX基准测试，评估多模态模型物理推理能力。测试显示，即便表现最佳的GPT - o4 mini准确率仅45.8%，远不及人类的75.6%，且模型在多方面存在结构性缺陷。
All In AI的Google I/O 2025还开源了一系列模型，冲~
谷歌CEO称Google IO 2025上，数十年AI研究成果已成为现实。大会亮点多与AI相关，如Gemini 2.5系列模型表现出色，还有Veo 3等。此外，还开源了medgemma、gemma - 3n等模型。
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。
编程奇点逼近，程序员斩杀线就在眼前！软件版YouTube时刻在发生
新智元报道，软件开发正迎来「YouTube时刻」，AI工具如Cursor、Claude Code等让编程变简单。A16z投资人预言App创建速率或飙升10倍，软件边际成本趋近零，人人可成开发者，不过程序员也面临被AI替代风险。
刚完成“卖身”重组，TikTok就瘫了！Oracle 背锅：暴风雪吹坏了数据中心
近日，TikTok 美国业务重组后出现大面积瘫痪，许多用户无法上传或观看视频。TikTok USDS 称是美国数据中心电力中断所致，Oracle 回应是冬季风暴让数据中心停电，TikTok 正推进恢复工作。