「视觉生成调优」共找到 2729 篇相关文章
Voices 能够让 Java 应用程序快速实现文本到语音转换
Voices 是开源文本转语音项目，为 Java 17 及以上应用设计，无需外部 API 或手动安装软件。可按字典或 OpenVoice 为不同语言生成音频，其使用 ONNX Runtime 加速，还介绍了使用方法和配置。
AI+直播的新玩法! StreamDiffusionV2让创意零延迟
生成模型改变直播行业，但此前模型难保证时间一致性、有延迟等问题。加利福尼亚大学推出StreamDiffusionV2，通过智能调度和缓存机制优化，支持多GPU并行，可灵活调画质和延迟，实现实时直播。
DevProxy 0.28 发布，增加 AI 支持
微软发布 DevProxy 0.29 命令行工具，新版本增加 AI 支持，便于配置使用。它能模拟 API 及网络行为，结合 dev tunnels CLI 可检查云服务通信，还利用大模型生成文件，有重大架构变更等。
刚刚，OpenAI全员放假一周！被Meta高薪连挖8人「偷家」，真麻了
生成式AI竞争激烈，OpenAI却宣布全员放假一周，原因是被Meta高薪连挖8人。OpenAI高管承诺正面交锋，Mark Chen称不会袖手旁观，还鼓励员工留下，公司更专注实现通用人工智能。
蓝湖悄咪咪在海外做了个 AI 设计产品，4 个月拿下 500w ARR
特工宇宙团队试用多款AI界面生成工具，发现多数距真实开发落地有差距。4月注意到Readdy.ai，操作简单、界面精致。其开发团队是蓝湖，上线4个月ARR达500万美元，解决用户真实问题。
字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流
文章介绍字节跳动的Seed1.5-VL模型，它能精准抽取复杂图表，处理模糊图片、推理几何题。其由视觉编码器和LLM组成，预训练语料丰富，后训练结合多种方法，推荐在huggingface体验。
人生周报v022：十层认知
文章围绕育儿量化指标、写提示词的难点、培训出路、AI生成PPT的局限、MCP协议误区等多个话题展开讨论，还推荐了物理科普书《解析物理的十层之旅》。
豆包也开始抢程序员饭碗了，首个编程模型来了！
字节给豆包升级编程能力，推出首款编程模型Doubao - Seed - Code。它刷新国内编程模型上下文长度，支持视觉理解，API价格良心。经测试，虽未达全球顶尖，但弥补国产编程模型短板。
腾讯重磅开源：端到端文档转换VLM，中英文错误率双料最佳！
腾讯开源端到端文档转换视觉模型POINTS - Reader，可将文档图片转结构化文本。它基于POINTS1.5架构，支持中英文。在OmniDocBench基准上，中英文错误率暂列最佳，具零后处理简单等亮点。
“扁平+拓扑”双索引，85页PDF"秒级"推理，MMRag幻觉率骤降76%
文章聚焦多模态长文档视觉问答，介绍现有LVLM - based和RAG - based技术路线及困境。提出MMRAG - DocQA方案，引入‘分层索引 + 多粒度检索’，设计双索引建模相关性与依赖，用互补策略实现证据互补。