「开源视觉模型」共找到 8938 篇相关文章
开源TTS语音新标杆！Kyutai TTS：350ms延迟碾压全场，词级时间戳重构！
法国AI实验室Kyutai开源高性能TTS语音模型Kyutai TTS，基于DSM框架，支持流式输入、超低延迟与高保真语音生成，有多项亮点，还给出不同使用方式及应用场景。
数据减少超千倍，500 美金就可训练一流视频模型，港城、华为Pusa来了
香港城市大学与华为香港研究所合作推出 Pusa 项目，它基于 FVDM 理论，可极低成本微调大规模预训练视频模型，成本降超 200 倍、数据减少超 2500 倍，代码已开源。
「一只手有几根手指」，你的GPT-5答对了吗？
CMU博士生Tairan He测试发现GPT - 5答错‘一只手有几根手指’问题，指出语言难满足视觉与机器人领域需求，需VLM和VLA模型。编辑部测试发现顶尖大模型面对常识问题也会‘翻车’，还探讨了应对方法。
新型开源端到端 AI 语音模型！Voila：195ms 超低延迟引领全双工对话！
Maitrix团队发布开源AI端到端语音模型Voila，以195ms超低延迟及全双工对话受关注。它功能强大，支持多语言，有多种使用方式，适用于多个场景，架构采用模块化设计。
终结多智能体视觉幻觉“滚雪球”！新国立等提出ViF：无需改造模型，即插即用
多智能体协同做视觉任务常轮次越多错得越离谱，根源是信息传递方式有缺陷。新国立等研究人员提出轻量通用的ViF范式，无需改造基座模型，可大幅压制幻觉滚雪球，已入选ICLR 2026。
腾讯混元开源游戏AI生成新工具！RTX 4090就能制作3A级动态内容
腾讯开源游戏视频生成框架Hunyuan - GameCraft，基于混元视频生成搭建，操作简单，输入单张场景图、文字描述和动作指令就能生成高清动态游戏视频，解决传统工具瓶颈，性能优于主流模型。
谷歌杀疯了！Gemini CLI 重磅发布：对标 Cursor 的开源 AI 编程神器，个人完全免费
谷歌发布开源AI代理Gemini CLI，个人免费使用，用Gemini 2.5 Pro模型，有100万token上下文窗口，免费额度大。它是全能AI助手，功能强大，与VS Code无缝切换，GitHub项目已获9k+ Star。
国产多模态Agent拿下医学分割SOTA！不用改模型、不加token | 浙大&上海AI Lab
现有医学多模态大模型在分割生物医学图像时存在瓶颈，浙大蔡钰祥教授、上海AI Lab江彦开等人提出IBISAgent框架，将分割定义为多步视觉决策过程，实验显示其在多数据集上大幅领先对比方法。
只用国产GPU训练的大模型性能飙升100%！国内唯一，更懂你
科大讯飞发布全国产算力训练的讯飞星火X1.5，推理效率暴涨100%，综合性能跻身全球顶级。还首发非自回归语音大模型架构，效果提升、成本降低。此外，展示多领域应用成果，发布相关产品，开源智能体平台。
V-RAE：把「看懂视频」的能力带入生成，重新思考视频模型的潜空间
近日，新加坡国立大学 Minghui Guo 与牛津大学 Shengqiong Wu、Hao Fei 在论文中提出视频表征自编码器 V-RAE。它以冻结的视觉基础模型为编码器压缩视频特征，还引入轻量级模块聚合信息。经实验验证，其在视频生成和预测上性能出色。