「混元图像2.1」共找到 3653 篇相关文章
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
我去，真牛！Coze Studio 开源版究竟有多火？看 GitHub 最新 1.4k star 人气飙升！
Coze Studio是低代码、可视化的AI Agent开发平台，有Apache‑2.0开源许可，降低使用门槛。它能解决非专业开发者、企业等构建智能对话助手的痛点，核心功能亮点多，应用场景广，在国产AI Agent开发生态潜力大。
DeepSeek-V3.2被找出bug了：疯狂消耗token，答案还可能出错，研究人员：GRPO老问题没解决
DeepSeek-V3.2虽强且火爆，但被发现存在bug，即浪费token问题。研究者指出这源于GRPO算法的‘隐藏偏见’，虽修正了‘难度偏见’，但‘长度偏见’仍在，官方也承认token效率是挑战。
Seedance 2.5 + 预演台，我只花了很少的钱，做出了一段《变形金刚》迈克尔·贝式运镜
作者分享用 Seedance 2.5 加 updream 复刻《变形金刚》迈克尔·贝式运镜的经验。先预演再生成可省成本，介绍预演台操作，经四步完成复刻，最后检查三项指标判断是否成功。
基础模型又一关键拼图，腾讯混元发布训练新范式「无相」：引入功能性记忆，打破静态权重枷锁
腾讯混元团队发布HY - WU范式，打破静态权重束缚，引入功能性记忆，实时生成个性化参数。应用于图形编辑基模效果好，在图像编辑任务表现优秀，还对未来AI架构提出多方面展望。
12月首炸！可灵 O1 正式发布，全球首个统一多模态视频大模型，强得可怕！
12月快手旗下可灵发布全球首个统一多模态视频大模型Kling O1，标志AI视频进入“全流程语义控制时代”。它将多种视频创作能力统一，有全能引擎等五大亮点，性能对比优势明显，让AI视频生成更可控。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
卷疯了！这个清华系Agent框架开源后迅速斩获1.9k stars，还要“消灭”Prompt？
随着大模型能力突破，Agent 从概念走向应用。清华系 Agent 框架 Cooragent 开源获 1.9k stars。其创始人王政认为 Agent 框架要适应多样需求，解决泛化与精确性平衡等痛点，还分享了对 MCP、框架融合等看法。
别再乱调图像塔了！浙大 IJCAI 论文揭露 VLM 非对称性真相，给 CLIP 微调「踩刹车」
浙大陈静远教授课题组等提出自适应非对称适配器，放弃对图像分支硬性微调，引入预测置信度自动给视觉塔‘踩刹车’。经实验总结出微调三大核心洞察，在多个数据集测试中表现优异。
锁死一致性！Vidu Q2「参考生」可算来了，新功能强到离谱，APP全面进化
生数科技Vidu Q2「参考生」功能全球正式上线，APP端全面改版。新上线「视频延长」功能，最长扩展5分钟，还在一致性、速度、成本等方面优化，在镜头语言、语义理解等表现出色，APP社交体验好。