「混元图像2.1」共找到 3659 篇相关文章
ICML 2025 Oral！北大和腾讯优图破解AI生成图像检测泛化难题：正交子空间分解
OpenAI推出GPT - 4o图像生成功能，AI生图安全挑战凸显，区分生成与真实图像成难题。北大与腾讯优图研究人员用正交子空间分解解决AI生图检测泛化难题，论文被ICML 2025接收。
2.4K Star！小米最新开源！覆盖600+语种的语音克隆TTS，40倍实时合成速度！
小米k2 - fsa团队开源OmniVoice，这是支持600 + 语种的零样本语音克隆TTS模型，性能超ElevenLabs v2和MiniMax等标杆，RTF低至0.025，合成速度快40倍，还支持声音设计等功能。
通用LLM压缩算法，居然藏视频编码里！2.5bit实现4bit性能，硬件无缝支持
LLM.265研究发现，视频编码器是高效的大模型张量编码器，现成视频编解码硬件压缩AI模型数据效率高。它灵活控制码率、可压缩多种张量，还能利用GPU硬件加速。实验显示其压缩效果显著。
美团开源LongCat-Image，6B参数挑战80B效果，中英双语理解、图像逼真度及复杂指令编辑新突破
美团开源6B参数图像模型LongCat-Image，在双语文本理解、图像逼真度及复杂指令编辑任务中表现出色。它以轻量化设计超越大模型，还解决中文文本渲染难题，有精确图像编辑能力，且提供全链路开源方案。
Canva可画联合创始人独家专访：2.65亿用户的Canva，用自研模型，解决了设计的审美问题
Canva月活2.65亿，在a16z排名第三。4月16日开启Canva AI 2.0内测。联合创始人Cameron Adams称，自研模型结合14年数据是护城河，Magic Layers功能验证其价值。Canva要成用户进入AI入口，还会在中国持续投入。
Thinking with Video：一种全新的思考范式
在人工智能领域，‘用文本思考’和‘用图像思考’存在局限。复旦大学等团队提出‘用视频思考’范式，通过视频生成模型统一文本与视觉推理，构建VideoThinkBench基准测试Sora - 2，全面解读这一开创性工作。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。
The Batch：927｜极速扩散学习
研究表明扩散图像生成器学习重建预训练编码器嵌入可加快训练，Apple团队提出的FAE，通过缩小嵌入再重建解决了因嵌入尺寸大导致的训练受阻问题，性能与先进模型相当且训练更快。
火山引擎，「出击」Agent
2025 年年中大模型竞争进入下半场，Agent 成焦点。文章分析其 2B 与 2C 落地困境，介绍火山引擎新开发范式，如 TRAE、豆包大模型 1.6、PromptPilot 等，助企业解决 B 端落地难题。
Kimi新模型数学反超DeepSeek！北大校友刘征瀛等领衔
Kimi新定理证明模型超越DeepSeek，基于Qwen2.5 - 72B打造，采用Kimi k1.5强化学习训练流程。有两大技术创新，还有精简版本，官方有Demo。双方此前比赛就打得有来有回。