「图像转视频」共找到 1434 篇相关文章
DeepSeek多模态真的来了？识图模式已开始小范围灰度
4月29日，DeepSeek多模态团队负责人陈小康在X发布动态暗示多模态进展。部分用户在DeepSeek官方App灰度到“识图模式”，这是其主线产品首次有图像理解能力模式，此前多模态人才有流失，官方未说明开放细节。
一分钟的奇迹与幻觉：实测世界模型Happy Oyster
4月16日阿里发布世界模型Happy Oyster，支持多模态输入与音视频联合生成。实测显示，它在场景构建、渲染上有优势，可替代部分传统引擎工作，但存在一致性不足问题，现阶段更适合改造游戏开发流程。
4步生图封神，GenEval从61%狂拉到92%，全面超越GPT-4o的TDM-R1模型来了
香港科技大学唐靖团队等提出全新通用强化学习框架 TDM - R1，仅 4 步采样就让组合式生成指标 GenEval 从 61% 升至 92%，超越 GPT - 4o。它解决少步扩散模型痛点，实现多方面性能提升，为少步生图发展带来新方向。
pdf2skill：让计算机视觉初学者把PDF文档变成AI技能包
pdf2skill技术是“文档转技能编译器”，能将PDF知识转化为AI可调用技能包。它解决了计算机视觉研究和工程中的痛点，介绍了原理、实战案例、代码实现，还对比性能、给出使用指南。
苹果推出 Ferret-UI Lite：一款用于查看和控制 UI 的端侧 AI 模型
苹果推出 30 亿参数的 Ferret-UI Lite 端侧 AI 模型，可解析屏幕图像、与应用交互。现有 GUI 智能体方法存在建模复杂等问题，Ferret-UI Lite 性能有竞争力，训练采用两阶段流程，还给出应用建议。
本周 5 个火火火的Github开源项目，太香了！
文章介绍了本周5个热门GitHub开源项目。有能生成城市地图海报的MapToPoster，离线翻译工具Argos Translate，终端历史增强神器Atuin，轻量超高效版OpenClaw的PicoClaw，以及开源轻量级文本转语音工具Pocket TTS。
国产模型开源封神，谷歌Genie3紧急开源？蚂蚁AGI撕开世界模型闭源防线
蚂蚁灵波发布开源SOTA级世界模型LingBot - World，全面对标谷歌Genie 3，部分性能指标超越。它有高保真、长视频生成等优势，还能解决具身智能痛点，发布后引发海外关注，促使Genie将开源。
蚂蚁深夜开源比肩Genie 3的世界模型，我也看到了具身智能的未来。
蚂蚁旗下灵波科技凌晨开源世界模型LingBot-World，可对标Google Genie 3。它能实时交互生成世界，与视频生成模型不同。有三个版本，具备长时记忆稳定、风格泛化性强、动作代理出色等特点。
更新啦！我用 Claude Skills 做的剪辑 Agent!识别效果+交互大升级
作者成峰根据用户反馈对剪辑 Skills 做了大改，替换火山引擎音视频识别模型、提升交互界面。改进包括用 API 替代本地模型、重构口误识别系统、设可视化审核界面，还介绍了简单使用方法。
Mistral 发布 OCR 3，提升了手写及结构化文档识别的准确率
Mistral 发布 OCR 3，在多种文档类型上精度更高，超越前一代产品。能提取文本、识别图像并保留文档结构，输出 Markdown 格式。早期用户认可其性能和多语言支持，生产部署扩展快，价格有优势。