「可控视觉生成模型」共找到 2788 篇相关文章
让机器人看视频学操作技能，清华等全新发布的CLAP框架做到了
近日，清华联合星尘智能、港大、MIT提出 CLAP 框架，能将视频运动空间与机器人动作空间对齐，解决‘数据饥荒’‘视觉纠缠’等问题，可让机器人从视频学技能，还缓解知识迁移难题，推动机器人产业化。
免费使用Sora！微软发布Bing Video Creator
今天凌晨微软官网发布Bing搜索引擎新功能Bing Video Creator，由Sora支持，免费提供服务。介绍了使用方法、视频生成规格、注意事项等，还提及防滥用措施及内容溯源信息。目前国区未开放，可用美版。
AI 创作继续：Google 推出Pomelli，一款能读懂你网站气质的 AI 营销设计师
Google Labs推出AI营销工具Pomelli，可帮中小企业几分钟内创建符合品牌的社交媒体活动。流程为给其网站，它建立品牌“商业DNA”，生成活动创意和资产，用户编辑调整即可。输出仅支持英文，出海网站可尝试。
微软开源了一款 skill 神器，这下爽了！
近期微软开源桌面应用 `Skill Recorder`，1个多月揽3K star。它能录屏幕操作，借助 GitHub Copilot CLI 生成可复用 Skill 或 Automation，与 RPA 思路不同，有泛化能力，可按命令快速安装。
80万条数据揭示隐患：AI正在「污染」病历，你的诊疗数据可能越来越不靠谱
新加坡国立大学等机构团队研究显示，AI生成临床文本用于训练新模型，会使病理信息在数据迭代中消失，降低医疗AI诊断可靠性。研究分析80多万条合成数据，还提出缓解方法。
解决算力瓶颈，给多模态瘦身！Token压缩完整图谱与选型指南
给多模态大模型瘦身是解决算力瓶颈的关键。Token压缩技术可剔除视觉冗余，提升训练与推理效率。北大等团队剖析其全貌，给出完整图谱与选型指南，还揭示了未来演进路径。
阿里通义发布Z-Image非蒸馏版基础模型版本，支持完整CFG和负向提示
阿里通义发布Z-Image基础图像生成模型，采用单流扩散Transformer架构，具核心创新技术。它是非蒸馏模型，支持完整CFG和负向提示，注重输出多样性和创意控制，已在Hugging Face开放下载。
比NotebookLM更实用，基于LLM的AI PPT开源工具，连配套演讲稿都给写好了。
现在很多人用Nano Banana、NotebookLM做PPT，但存在字体、内容契合度等问题。本文推荐基于LLM的开源AI PPT工具LandPPT，它支持多格式文档生成、有深度研究等功能，协议宽松可商用。
我有听书障碍，但被这个 AI 电台拿捏了
作者曾有听书障碍，却被 Huxe 这款 AI 音频 App 吸引。它由 Google 团队打造，能将邮件摘要、新闻等生成“私人电台”。有个性化简报、自定义音频内容等功能，集成 ASR、NLP 和 TTS 模块。
AI 性格失控等诡异现象，终于有了科学解释
Anthropic新研究发现控制语言模型「性格特征」的人格向量，解释AI恶意、谄媚等现象。研究开发自动化流程生成向量，通过实验验证其对模型行为的控制，还有监控、防护等功能，不过也引发争议。