「图像与视频合成」共找到 1507 篇相关文章
从 LLM 到 World Model：为什么我们需要能理解并操作世界的空间智能？
文章指出 LLM 仅靠语言不足以支撑真正智能，构建空间智能与世界模型成关键方向。2024 年李飞飞等创立 World Labs，11 月推出 3D 世界生成模型 Marble，本文探讨空间智能重要性及世界模型如何成转变基础设施。
Nano Banana Pro或将引爆新安全危机
基于Gemini 3的图像生成模型Nano Banana Pro昨日上线，支持2K/4K分辨率生成，排版和文字控制能力提升。它展现出复杂推理能力，能理解反光、推理指纹，但这或带来隐私危机。
小红书提出DeepEyesV2，从“看图思考”到“工具协同”，探索多模态智能新维度
小红书推出多模态模型DeepEyesV2，它延续视觉推理优势，实现代码执行、网页搜索和图像操作的全工具协同。通过多工具协同推理解决复杂问题，采用两阶段训练策略，准确率远超开源模型。
一边秀肌肉，一边设围墙，NVIDIA 发布 OmniVinci，性能碾压 Qwen2.5-Omni，却被骂“假开源”
NVIDIA 推出多模态大语言模型 OmniVinci，结合架构创新与数据合成流水线，训练 token 仅为 Qwen2.5 - Omni 的六分之一，却在多项基准测试表现更佳。但采用限制商业用途的许可证，引发争议。
一边秀肌肉，一边设围墙，NVIDIA 发布 OmniVinci，性能碾压 Qwen2.5-Omni，却被骂“假开源”
NVIDIA 推出多模态大模型 OmniVinci，结合架构创新与合成数据流水线，训练 token 仅为 Qwen2.5 - Omni 的六分之一，却在多项基准测试表现更佳。但采用限制商业用途的许可证，引发“假开源”争议。
当搜索遇见 AIGC：京东零售的“千人千面”素材生成实践
在 AIGC 浪潮下，视觉生成技术重构电商生态。京东零售李岩介绍“千人千面”商品素材生成技术链路，包括关键模型及实现框架，还发布焕新版京点点平台并预告新能力，推动电商个性化变革。
RAE的终极形态？北大&阿里提出UniLIP: 将CLIP拓展到重建、生成和编辑
北大和阿里团队提出 UniLIP，解决了统一多模态模型中语义理解与像素重建的矛盾。它创新微调 CLIP，实现图像重建，还提出双条件架构用于生成和编辑，在多基准取得 SOTA 性能。
谷歌痛失王座？港科大贾佳亚团队DreamOmni2开源，超强P图暴击Nano Banana
港科大贾佳亚团队开源DreamOmni2，该模型基于FLUX Kontext，能处理多参考图像，在多模态编辑与生成上表现出色，超越谷歌Nano Banana等模型，还构建了新测试集与数据构建范式。
清华&巨人网络首创MoE多方言TTS框架，数据代码方法全开源
清华与巨人网络联合首创 DiaMoE-TTS 多方言 TTS 框架，数据、代码、方法全开源。它基于 IPA 体系，有 MoE 架构和低资源适配策略，在多语种验证，为方言语音合成提供低成本、可扩展方案。
NeurIPS 2025 Spotlight | 条件表征学习：一步对齐表征与准则
文章指出传统表征学习处理图片和商品信息时存在局限，针对性有监督训练成本高，多模态大模型使用成本也需考虑。为此提出即插即用的条件表征学习方法 CRL，实验显示其在下游任务表现优异。