「自回归视频扩散模型」共找到 1363 篇相关文章
将DSA注意力引入多模态，快手Keye2.0开启强化推理新范式
快手发布新版多模态大模型Keye-VL-2.0-30B-A3B，率先将DSA机制引入多模态理解场景，解锁256K超长上下文深度感知，还首次解锁Agent协作机制。该模型在多方面表现出色，且将融入业务带来收益。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
硅谷AI巨头越来越像一家重工业公司
Meta和CBRE推出LevelUp光纤技术员培训项目，为数据中心培养新手。此外，Google、Amazon、Microsoft也有类似职业教育项目。同时，这些超大规模云服务商还在电力、硬件、连接等方面自建自用，呈现垂直一体化趋势，但资本市场仍按软件公司给它们估值。
Altman承认“搞砸了”！曝 GPT-5.2 牺牲写作换顶级编程，明年成本降 100 倍，实锤Agent 已能永久干活
OpenAI CEO Sam Altman 在研讨会上勾勒 GPT-5 进化蓝图，承认 GPT-5.2 研发“搞砸”写作能力，承诺到 2027 年底其智力成本降 100 倍，还提出未来软件应“随需随生”，重构操作系统。
专访哆咪漫剧安培：投流2亿后，AI漫剧的真相和真话
2026年AI漫剧爆发，哆咪漫剧团队投流2亿。创始人安培称行业处上行期，竞争门槛抬高。AI降低创作门槛，但商业生存门槛提升，核心竞争力回归商业本质，还分享制作、发行等多方面看法。
让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」
在文生图和视频生成领域，现有模型处理复杂任务常出错。港中文和美团团队提出TwiG范式，将视觉生成拆解为“生成-思考-再生成”循环，经实验验证有效，有望拓展到更多领域。
RAE的终极形态？北大&阿里提出UniLIP: 将CLIP拓展到重建、生成和编辑
北大和阿里团队提出 UniLIP，解决了统一多模态模型中语义理解与像素重建的矛盾。它创新微调 CLIP，实现图像重建，还提出双条件架构用于生成和编辑，在多基准取得 SOTA 性能。
MetaAI解锁Transformer潜意识，仅额外3%计算开销，性能提升最高55%
Meta FAIR研究员François Fleuret提出《The Free Transformer》，对解码器Transformer扩展。它通过引入随机变量，让模型先计划后执行，用约3%计算开销，在编程等任务上性能提升最高达55%。
相机参数秒变图片！新模型打通理解生成壁垒，支持任意视角图像创作
S-Lab等机构研究员提出Puffin统一多模态模型，它能整合理解相机参数与按参数生成对应视角图片的能力。通过“用相机思考”和400万组数据训练，解决此前模型问题，还构建相关数据集和评测基准，性能出色。
80%美国AI初创靠中国开源模型“吃饭”！a16z投资人震惊，全球开源榜前16名全被中国包揽
Reddit上“中国开源AI模型席卷美国初创”帖子爆火。a16z合伙人Martin Casado称80%美国AI初创融资路演用中国开源模型。Design Arena榜单前16名开源模型全是中国的，中国开源模型优势尽显。