搜索：视觉-语言生成

「视觉-语言生成」共找到 3491 篇相关文章

让图像生成告别 AI 味！清华 + 港中大 + 腾讯混元联手推出SRPO

腾讯混元联合港中大、清华推出SRPO，解决文生图技术痛点。它结合Direct - Align和SRPO，提升图像审美等，训练时间缩至十分钟，在测试中碾压主流方法，不过对冷门风格控制和机制可解释性待提升。

今天凌晨微软研究院开源创新音频模型VibeVoice - 1.5B，有诸多技术突破，如可合成90分钟语音、支持4名发言人、3200倍音频压缩等，还首创双tokenizer协同架构。未来微软还会开源更大参数模型。

清华和IDEA研究人员提出新框架GUAVA，可0.1秒从单图创建上半身3D化身。它解决了现有方法在ID一致性、效率等方面的局限，实验显示其在渲染质量和效率上优于现有2D和3D方法，代码已开源。

AI“穿越”新玩法火了，外国网友让ChatGPT根据12岁照片推测23岁样子还挺准。很多人参与，还有新奇玩法。作者用不同名人照片测试ChatGPT、抖音小程序和豆包，结果各有偏差，但玩法有趣。

介绍开源项目RTranslator，它为Android平台实时翻译应用，用Meta的NLLB模型与OpenAI Whisper技术，本地处理保障质量与隐私。有双模式对话等功能，在Github获8.6K star。

新加坡国立大学等机构研究者提出元能力对齐训练框架，模仿人类推理心理学原理，将演绎、归纳与溯因能力融入模型训练。实验显示，该方法提升模型在多任务上的性能，且有跨领域可扩展性。

快手技术团队在 OneSearch 基础上推出 OneSearch-V2 框架，解决电商搜索复杂查询理解不足等问题。该系统全量上线，不增成本与时延，业务收益显著，还缓解信息茧房与长尾稀疏问题。

斯坦福大学Erik Brynjolfsson教授领衔的论文，用海量高频薪资数据研究AI就业效应。发现高AI暴露职业中年轻职场新人就业显著下降，自动化型AI应用致就业降，增强型则无，还给出年轻人受影响大的原因。

北京人形机器人创新中心推出 Humanoid Occupancy 感知系统，创新性融合多模态传感器信息，构建通用感知框架。它以语义占用表征为核心，有全编码和适配融合优势，经实验验证性能优，推动机器人迈向通用感知时代。

Bind-Your-Avatar基于扩散Transformer框架，通过细粒度嵌入路由将语音与角色绑定，实现精准音画同步，还引入数据集MTCC和基准测试，实验显示其在身份保真和音画同步上优于现有方法。