「多模态创作」共找到 1243 篇相关文章
王智、沈今晶、方汉、郑林等等都来了，AIFUT大会Day2上午场全记录。
AIFUT大会第二天上午场精彩纷呈。AJ谈900万人共建AI社区历程；王智、沈今晶探讨AI与电影创作；方汉称一人公司时代到来，分析难被替代的五种人；郑林谈影视成本与未来趋势；李勇提出AI玩具应是朋友。
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。
深入感知级别图像理解：UniPercept 统一图像美学、质量与结构纹理感知
多模态大语言模型在语义级任务表现卓越，但在感知级图像理解有短板。上海人工智能实验室等机构联合发布 UniPercept，构建感知属性定义系统与基准测试集，训练强基准模型，在多方面表现超现有顶尖模型，应用潜力大。
NUS Show Lab 寿政教授：打通自回归与离散扩散，打造下一代具身大模型底座｜ECCV 2026
本文整理自新加坡国立大学Show Lab负责人寿政教授在ECCV 2026的分享，团队研发融合自回归与离散扩散的Show-o/Show-2统一架构，解决多模态理解与生成融合痛点，延伸至具身智能领域，突破数据稀缺、推理延迟等核心瓶颈。
阿里首个世界模型：快乐…生蚝
刚成立一个月的阿里ATH事业群发布全球首个主动式实时交互世界模型HappyOyster（快乐生蚝），它搭载原生多模态架构，有漫游、导演、创造、分享等玩法，目前需邀请码体验。其技术突破让它区别于传统文生视频模型。
“参考生”之王回归：Vidu Q3持续进化，剧张力拉满｜甲子光年
近期，AI视频公司生数科技的Vidu Q3正式上线参考生视频并全面升级。它能解决视频内容创作痛点，让爆款人设等稳定复现。在榜单上表现出色，经测试在多场景降本增效，提升了视频“剧张力”。
视觉+语言+动作！超强具身“训练宝典” EmbRACE-3K
视觉 - 语言模型在具身环境中表现有局限，港大推出 EmbRACE - 3K 数据集应对。它含 3000 多个任务、2.6 万个决策步骤，有细致多模态注释。团队用其微调 Qwen2.5 - VL - 7B 模型，还建立新基准评估多个模型。
英伟达&MIT等推出Long-RL，长视频训练速度翻倍
英伟达联合MIT等推出Long - RL，它是面向长序列推理和多模态强化学习的全栈训练框架，能提升RL训练数据长度上限，让训练速度翻倍。其核心MR - SP并行框架可降低训练耗时和显存，LongVILA - R1是其明星应用。
准确回答视频细节！11B模型挑战视频理解「证据级」任务，开源可商用
近日，复旦大学邱锡鹏教授领衔的OpenMOSS团队联合模思智能开源11B参数的多模态视觉理解模型MOSS-VL。它能准确回答视频里可被验证的细节、时间、过程和空间关系，有六项证据级能力，架构设计独特，采用Apache2.0开源许可。
千问App敞开玩，做红楼梦人物图、旅行海报、绘画书法无敌，顶级AI生图模型加持
作者体验阿里发布的Qwen - Image - 2.0模型后分享千问App玩法。可生成趣味信息图，如表情包、旅游攻略图、美食攻略图等；能做复杂文字梗图；还能创作中华文化传播图，如红楼梦解读图、手办图等，该模型懂中文意境。