「图像转视频」共找到 1435 篇相关文章
OpenAI未公开的o3「用图思考」技术，被小红书、西安交大尝试实现了
OpenAI推出的o3推理模型打破传统文字思维链边界，实现图像融入推理过程。小红书与西安交大联合构建多模态深度思考模型DeepEyes，尝试实现类似能力，还开源技术细节，在多任务中表现出色。
这样更公平：用jina-reranker-m0为多模态文档打分重排
文章指出多模态搜索领域给文档综合评分难，因文本与图像评分缺乏可比性。2025年4月发布的jina - reranker - m0可解决此问题，其两阶段检索流程能显著提升召回率，对多模态AI系统设计有启发。
靠「AI婴儿播客」拿到a16z 3200万美元投资，Hedra凭什么？
Hedra是生成式AI创企，凭「AI婴儿播客」获关注，刚完成3200万美元A轮融资。它与主流AI视频平台路线不同，构建全模态基础模型，播客成杀手级应用，研发成本低，踩中赛道转型。
AI 领域新动向！持续思考模型CTM横空出世：AI 向生物智能迈出重要一步
Sakana AI 推出新型 AI 模型 CTM，重新引入「时间」和「神经元动态」到 AI 计算核心。它有诸多创新，在迷宫探索、图像识别等任务表现出色，虽有训练慢等不足，但为 AI 向生物智能迈进提供新思路。
这个开源项目 OpenStory，把 AI 短剧制作变成了一条可复制的工业流水线！
现在制作完整AI短剧流程繁琐，很多团队是小作坊式生产，效率低且难规模化。OpenStory开源项目站在成熟AI服务肩上，将AI短剧制作工业化，能把剧本变成风格统一的视频作品，解决诸多痛点。
The Batch: 969 | 谷歌的机器人模型有了腿
谷歌发布 Gemini Robotics 2（GR2），能将相机图像和文字指令转为机器人关节控制命令，可同时控制人形机器人腿、躯干、手臂和手部，简化模型训练和设计，不过谷歌未公布其基础模型等信息。
Meta开源Muse Glimmer，30B Agent小钢炮跑进你的电脑
Meta发布并以宽松协议开源Agent模型Muse Glimmer。它30B参数，能跑在Mac或PC上，多项Agent基准领先。可完成端到端任务、调用工具及多步推理，接受文本与图像交错输入，用途广泛。
这家 AI Lab 宣布所有模型无限期免费后，我顺手做了个图片版番茄钟
全球排名前十的 AI Lab，Agnes 宣布旗下核心全模态模型 API 无限期免费开放，包括文本、图片、视频。还新增百万 Token 上下文和 4K 图片生成功能。作者用其做了图片版番茄钟，官方也公开开发进度。
李飞飞发布全新世界模型
李飞飞团队的World Labs发布两款新模型Marble 1.1和Marble 1.1 - Plus，能将平面照片转化为3D世界、提升画面清晰度。二者各有侧重，前者重画质优化，后者重空间生成，官方建议新用户从1.1开始用。
复旦等推出「第一人称视听基准」，补齐多模态模型「听觉拼图」
多模态大模型在真实世界会“失聪”，现有第一人称视频问答/理解基准长期偏“视觉中心”。复旦等团队推出首个系统评测第一人称声音理解能力的基准EgoSound，能让模型听懂世界，评测显示当前模型与人类差距大。