「图像与视频合成」共找到 1505 篇相关文章
谷歌AGI底座降临！首个原生全模态嵌入模型上线，已实现全模态SOTA
谷歌发布首个原生全模态 Embedding 模型 Gemini Embedding 2，将文本、图、音视频及 PDF 融于统一向量空间，实现跨模态检索，降低架构成本，赋予 AI 连贯「记忆」，是重塑 AI 基建的里程碑。
数据邪修大法好：仅用文本数据就能预训练多模态大模型
多模态大模型研发中，行业认为无图文对就无多模态能力。但ReVision研究表明，预训练阶段昂贵配对关系非必需，利用非配对数据统计信息修正文本表征，能实现跨模态互换，降低成本。
AI产品用户留存仅三个月周期？对话王咏刚：“不和AI协作过项目，你就不是合格程序员” | 万有引力
CSDN&《新程序员》总编对话Mootion创始人王咏刚，探讨AI时代程序员、创业者面临的机遇与挑战。王咏刚认为AI上限是人类平均水平，目前AI应用多为尝鲜用户，产品留存短，未来程序员需与AI协作。
一夜蒸发1400亿！谷歌一个AI演示，游戏股集体跳水
1月29日谷歌发布Project Genie，上线不到24小时人们就用它创作作品。受其影响，Take - Two、Roblox、Unity等游戏巨头股价跳水，市值合计缩水约195亿美元。不过目前它生成的‘游戏’问题多，难取代游戏开发者。
跳出「黑盒」，人大刘勇团队最新大语言模型理论与机理综述
大语言模型工程成功但理论研究滞后，被视为「黑盒」。人大刘勇团队用生命周期分类法，将LLM理论研究整合为六阶段，系统综述底层理论与机制，指出前沿挑战，为其向严谨科学转型提供路线图。
让扩散模型「可解释」不再降质，开启图片编辑新思路
过去三年扩散模型席卷图像生成领域，但可解释性研究是‘黑箱’，且现有尝试常致性能下降。香港中文大学与上海人工智能实验室团队提出TIDE框架，可解释且不降质，还带来新图像编辑方式。
RL是「点金石」还是「挖掘机」？CMU 用可控实验给出答案
卡耐基梅隆大学研究者构建基于GSM - Infinite的可控合成数据框架，分析预训练、中期训练和RL对模型推理泛化能力的影响，调和了RL有效性的不同观点，为改进训练策略提供基础。
马斯克脑机接口意念控制机械臂！演示者获得钢铁之吻，理论上可控制一切
Neuralink官方视频中演示者已能用意念控制机械臂。升级实验将采用“双植入”方案，首位受试者或二次手术。受试者也主动探索新用法，2024 - 2025年Neuralink多项成果，下一阶段关注复杂神经功能。
DeepSeek在Agent上做了件大事！
昨天DeepSeek发布V3.2正式版，强化Agent能力并融入思考推理，其在Agent评测达开源模型最高水平。文中分析Agent成开源‘心病’的痛点，介绍DeepSeek相关解决策略及成果，还给出使用示例。
震惊电影圈！好莱坞混了10年没出头，他把AI「烂片」做成23万粉爆款
人类首个AI创作型导演Josh Wallace Kerrigan，用GenAI工具构建Neural Viz外星宇宙，将AI视频缺陷变风格，打造出有23.3万粉丝的YouTube频道，获好莱坞关注，实现经济独立。