「视觉-语言生成」共找到 3493 篇相关文章
AI短剧成了！LibTV-seedance2支持“真人模式”:一手实测，视频闪电直出，效果炸裂
LibTV首发支持Seedance 2.0真人生成视频功能，操作简单严谨。真人出镜可用于虚拟主播、数字分身、角色替换等场景。该工具工作流高效，接入主流模型，价格有优惠。
突然变强！速度翻4倍，GPT Pro惊现「神级」操作，网友怀疑GPT-5.5已就位
OpenAI悄悄完成GPT Pro模型升级，其速度提升、视觉理解能力增强。同时，代号「Spud」的GPT - 5.5已完成预训练，发布在即，AI竞争将更激烈。
当AI开始过度思考「hey」这个字…
两张对话截图展现语言模型缺陷，用户发简单问候，模型过度分析，从问候语正式程度到表情符号语义权重，这种过度分析让对话不自然，错过人类交流重点。
谷歌神秘模型Kingfall泄漏！
近日，谷歌AI模型Kingfall在AI Studio平台短暂开放后意外曝光。它具备多模态处理能力，上下文窗口6.5万个token，有两种模式。生成SVG矢量图能力超Claude 4，身份猜测不断。
Anthropic发布多Agent协作模式指南：5种架构与适用场景
当单个AI Agent无法完成任务时，多Agent系统就派上了用场。Anthropic最新发布的指南给出了五种经过验证的模式，包括生成 - 验证模式、编排 - 子代理模式等，并介绍了适用场景和陷阱。
这个一年前出现的词让小白从 0 到月入 1 万美金成为现实
一年前，Andrej Karpathy 提出“Vibe Coding”，用户通过 AI 用自然语言提示生成代码，开发更快、构建更易，让小白也能写代码。如今它成现象级术语，未来还会持续发展。
SRO赋能Qwen-2.5-VL推理性能飙升16.8%
文本领域推理模型成就大，但多模态大型语言模型推理能力扩展遇阻，如冷启动初始化不足等。提出SRO三阶段训练框架，经测试，ReVisual - R1平均性能提升16.8%。
奥特曼「红色警戒」5个月后，GPT Image 2屠榜，断层领先反杀谷歌
被Google按了半年头，OpenAI祭出反杀。GPT Image 2上线12小时登顶Arena文生图榜，领先Nano Banana 2达241分。它是从零重构的通用模型，具备原生思考能力，或改写图像生成赛道规则。
西湖大学科研版NanoBanana开源！科研绘图从此自动化
西湖大学将科研版NanoBanana开源，其AutoFigure框架可自动化生成学术插图且能编辑，论文被ICLR 2026接收。该框架提出理性渲染范式，配套FigureBench基准测试集，表现超越人类预期。
图像、视频一模搞定！字节全能原生多模态本地可部署
字节开源原生多模态模型Lance，仅3B激活参数，40G显存就能跑，已登顶huggingface趋势榜。它能进行图像与视频的理解、生成、编辑等操作，在多个基准测试中表现优异，多项性能居首。