搜索：视觉生成模型

「视觉生成模型」共找到 8774 篇相关文章

AAAI 2026 Oral｜InfiGUI-G1模型来了，刷新GUI Grounding SOTA

多模态大语言模型发展下，GUI Grounding任务是难题，现有RLVR方法有瓶颈。浙江大学等团队提出AEPO框架，推出InfiGUI - G1系列模型，小参数量刷新GUI基准测试SOTA，代码已开源。

据彭博社报道，苹果计划明年为Siri引入AI驱动的网络搜索功能，称“世界知识答案”，将以多媒体形式汇总结果。苹果正测试Google模型，或由其提供支持，此前还考虑过Anthropic的Claude模型但未达成协议。

南洋理工等机构团队提出基于文言文语境的自动化黑盒测试框架CC - BOS，利用果蝇算法和8维策略空间，暴露主流大语言模型安全盲区，实验显示对6款主流模型攻击成功率达100%。

GPT-5上线后推理能力惊人。最新研究揭示通用智能体聪明的原因是长出“世界模型”，终结了学界十年关于AI靠模仿还是思考的争论，实验也验证了世界模型对智能体的必要性。

主流OCR评测基准聚焦信息抽取，复杂图文推理任务中多模态大模型深度推理能力缺乏评估标准。OCR - Reasoning可系统性评估，还列举多种推理示例，并测评了Qwen2.5 - VL - 7B模型。

2026年3月论文DenseSwinV2提出双分支AI模型，结合CNN与Transformer，加通道注意力模块突出病害特征。该模型分类木薯叶病害准确率达98.02%，还给出简化版代码，有落地价值。

本报告聚焦大语言模型长期记忆构建与轻量化机制。现有外部记忆系统有记忆臃肿、组织低效、更新代价高问题。为此提出LightMem架构，能为大模型提供轻量、高效、可扩展记忆组件。

3月10日，MiniMax港股收涨，市值超百度。OpenClaw爆火，其创始人转发评测榜单，使MiniMax-M2.1排名突出。OpenClaw是智能体构建框架，为大模型公司带来盈利转机，撬开收入天花板，引发各方关注。

Omni-Effects是面向多样化定制视觉特效生成的统一框架，结合纯提示词驱动与空间感知提示，可精确控制特效位置。构建Omni - VFX数据集验证其有效性，在复杂场景有高鲁棒性。

清华大学TSAIL实验室和生数科技联合开源视频生成加速新框架TurboDiffusion，能让视频生成在保证质量下最高提速200多倍，单张显卡就能运行，还整合四项关键技术，有诸多应用意义。