「图像与视频生成」共找到 2816 篇相关文章
苹果出手！改进GRPO，让dLLM也能高效强化学习
苹果研究团队针对扩散语言模型（dLLM）在编码任务中表现不明的问题，基于7B级代码生成MDM DiffuCoder展开研究，定制优化GRPO提出coupled - GRPO算法，填补开源dLLM训练和推理机制空白。
CVPR 2026 | 1B模型也能当多镜头导演？大连理工&快手可灵开源力作MultiShotMaster
大连理工与快手可灵团队推出MultiShotMaster框架，能在1B左右小参数量级模型实现导演级镜头调度和连贯叙事，支持多图参考、主体运动控制。论文录用至CVPR 2026，代码已开源，还获AAAI CVM Workshop竞赛冠军。
AI版抖音来了
OpenAI发布Sora 2及专门APP，被称为AI版抖音。Sora 2在逼真度和物理准确性上有极大提升，APP玩法独特，让大量真实人物与虚拟场景结合。虽仅在美加开放且需邀请码，但闲鱼已有售卖。
UNC | 发布Bifrost-1，构建“最强大脑”与“顶级画师”的桥梁，低成本实现“文生图”自由
随着AI发展，打造能推理又能创作的系统成为焦点。但让LLM学习视觉创作面临训练成本高和能力受损问题。BIFROST - 1框架在MLLM和扩散模型间建通信信道，解决核心痛点，实验表现出色。
任意条件，「可控」文生图扩散模型综述 | TPAMI'25
北京邮电大学团队在顶级期刊IEEE TPAMI发布综述，探讨文生图扩散模型可控生成技术，将核心问题概括为如何注入新型条件信号并稳定控制，从任务和方法层面梳理技术，还提及应用场景与未来方向。
开源 VibeSDK：把一句话变成线上应用，用它一键搭好自己的 AI平台
Cloudflare VibeSDK 是开源 AI vibe coding 平台，跑在 Cloudflare 开发者生态上，支持自然语言生成全栈 Web 应用，有分阶段代码生成、交互式聊天等功能，适用于多类人群和场景，还对比了同类项目。
谷歌深夜放出「创世引擎」Genie 3！一句话秒生宇宙，终极模拟器觉醒
谷歌DeepMind推出通用世界模型Genie 3，能以每秒20 - 24帧速度实时生成720p画面，一句话即可生成动态世界，可模拟物理、自然等多种场景，但也存在有限动作空间等局限。
The Batch: 892 | 教育应与 AI 协作，而非对抗
三年多前ChatGPT发布，教育改变。曾寄望用AI检测器识别生成文本，但学生易规避。检测难维持信任，还可能惩罚错对象。生成式AI可提升学习，应构建新评估模型，如展示真实理解等。
文生图进入R1时代：港中文MMLab发布T2I-R1，让AI绘画“先推理再下笔”
港中文MMLab团队发布首个基于强化学习的推理增强文生图模型T2I - R1。它提出双层级CoT推理框架和BiCoT - GRPO强化学习方法，解决生成评估难题，为多模态生成提供新范式。
视觉领域的GPT-3时刻！DeepMind首次证明Veo3模型实现对物理世界建模和推理
谷歌DeepMind研究团队论文显示，视频模型Veo 3学会‘无师自通’，能处理多种没学过的视觉任务。研究人员将其能力分四级，还做了定量评估。研究认为机器视觉或正处范式转变边缘。