「可控视觉生成模型」共找到 2788 篇相关文章
首次！世界模型、动作模型融合，全自回归模型WorldVLA来了
阿里巴巴达摩院提出全自回归模型 WorldVLA，首次融合世界模型与动作模型，统一文本、图片、动作理解和生成。它用独立编码器处理多模态数据，还提出策略解决误差累积问题，实验表现优异。
让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%
香港中文大学等研究者提出TON选择性推理框架，使视觉语言模型能自主判断是否推理。该框架有两阶段训练机制，实验显示其让推理长度最多减90%，准确率还提升，有益模型部署。
夯，还真的很不错，8.2k Star scroll-world，太丝滑～～～～
许多官网滚动特效不佳，scroll - world 让滚动驱动无切镜的品牌旅程。它通过生成镜头链、对齐接缝实现沉浸体验，还给出适用场景和接入方式，虽非零成本但复用了经验。
马斯克的最快AI模型来了
xAI发布Grok 4 Fast，生成速度每秒75个token，比标准版快10倍。网友实测其解题、问答速度惊人，但也有准确性问题。它为求速度做了妥协，适合追求即时结果的用户。
汤道生：腾讯持续加大 AI 投入力度，各项业务全面拥抱 AI
腾讯集团汤道生在 5 月 21 日峰会表示，生成式 AI 可用性质变，腾讯会加大投入，业务全面拥抱 AI。还提出‘四个加速’打造‘好用的 AI’，并介绍混元大模型、智能体等应用成果。
Agent Infra 赛道更新，一年后为 Agent 设计的基建发展如何？
过去一年，Agent 产品形态和使用方式变化大，其基建 Agent Infra 竞争格局也在变。它需解决让 Agent 更可控和接入更多能力两个问题，涉及 Runtime、Identity 等多方面，不同方向发展阶段和前景各异。
能帮你做 Live Photo 了！藏师傅社交卡片 Skill 重磅更新
藏师傅社交卡片 Skill 重磅更新，新增 Live Photo 生成和编辑能力，可处理产品录屏等素材。介绍了能做的卡片类型、使用方法、适用场景，还提及制作细节及 Live Photo 的价值和安装更新方式。
Nano Banana 2突然现身！能画公式解数学题，监控画面都能伪造
Nano Banana 2代以预览版现身第三方网站，后被移除。其能力远超1代，能处理复杂提示，可生成复杂UI、解数学题甚至伪造监控画面。谷歌正将Nano Banana整合进核心产品生态。
Claude水印已被破解，斩获11k Star！但会被拒绝安装
Anthropic为Claude生成文本添加隐藏水印，引发争议。很快有开源项目可去除Claude、Gemini、OpenAI水印，获11k Star，但Claude拒绝安装。反对与支持水印者观点不一，双方展开猫鼠游戏。
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。