「视觉-语言生成」共找到 3485 篇相关文章
AI 如何讲好一个多人故事？首个支持多角色互动的3D场景叙事系统
首尔国立大学提出全新框架，能生成虚拟动态场景并支持多角色上下文动作生成。引入LLM拆解复杂任务，系统用事件驱动方式规划动作，还构建基准评估相关能力，有良好扩展性和实用性。
ACL 2025预定爆款！HyperGraphRAG横扫5大领域，检索效率提升7倍
文章聚焦HyperGraphRAG模型，介绍其架构由知识超图构建、超图检索策略、超图引导的生成机制组成，阐述构建步骤，该模型能提升检索效率，或成ACL 2025爆款。
恐怖的 361k+ star！这应该是我见过最给力的宝藏项目，全网最全！
介绍GitHub上的开源项目`free-programming-books`，它汇集海量免费编程学习资源，涵盖编程语言、框架、工具等多方面，有361k+ star。资源广、更新快、结构清、支持多语言，使用简单。
AI翻译的「最后一公里」
文章指出文化差异成AI翻译难题，通用大模型数据不平衡，存在“算法霸权”。如处理低资源语言，AI易产生幻觉，还因无肉身难理解基于生理体验的隐喻，人机协作才是翻译未来。
用大模型检测工业品异常，复旦腾讯优图新算法入选CVPR 2025
AI模型用于工业异常检测获新SOTA，相关论文中稿CVPR 2025。复旦大学、腾讯优图实验室等机构研究人员设计基于扩散模型的少样本异常图像生成新模型DualAnoDiff，实验显示其性能更优。
HOIDiNi：一句话驱动虚拟人高精度操作物体
特拉维夫大学提出HOIDiNi，这是文本驱动的扩散框架，用于生成人体 - 物体交互动作。它引入扩散噪声优化，能兼顾真实感与物理正确性。不过它泛化能力待拓展、生成速度慢，未来需提升效率等。
群核科技开源两款空间大模型，想解决 Genie3 没能彻底解决的问题
2025年8月25日群核科技举办TechDay，发布专注3D室内场景的空间大模型，开源SpatialLM 1.5和SpatialGen。两款模型分别解决理解交互和空间一致性问题，有实际应用价值，还介绍了数据飞轮效应及模型相关问答。
腾讯发布Hunyuan-GameCraft！从静图进入动态游戏世界
近年来，现有方法难满足游戏视频生成需求。腾讯推出Hunyuan - GameCraft，可基于一张图像和提示词生成游戏交互视频，能精准响应交互信号，保留历史场景信息，不过动作空间待丰富。
当世界模型不止「视频」该如何评估？WorldLens提出实用化评估新框架
生成式世界模型在多领域进展显著，但评估存在局限。WorldBench 团队构建 WorldLens 评测框架，从五个维度评测开源世界模型，其评测 EvalKit 已公开，可暴露模型能力边界与失效模式。
Loop-ViT：让AI学会「反复思考」，3.8M参数小模型追平人类平均水平
香港科技大学等团队提出 Loop - ViT，将循环 Transformer 引入视觉推理领域。该模型参数少但性能强，3.8M 小版本追平人类平均水平，揭示视觉推理任务中‘思考时间’比‘模型大小’更重要。