「视觉语言预训练」共找到 3304 篇相关文章
ChatGPT大更新推出学习模式！“一夜之间1000个套壳应用又死了”
ChatGPT大更新，推出学习模式，像老师般引导思考，对多类用户开放。它由OpenAI与多方合作打造，结合学习科学成果。目前用提示词实现，未来会训练进模型，还将多方面改进，或重塑教育模式。
阿里又上好货了！Qwen3-TTS能力大幅提升
阿里刚发布Qwen3-TTS（2025-11-27版），解决语音合成核心问题。它音色大幅扩展，有49种高品质音色；语言和方言能力提升，支持10种主流语言与多种方言；韵律和语速优化，拟人化近真人；API调用简单。
让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni
openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。
19K star 霸榜，下一代的浏览器自动化神器！
做爬虫或Web自动化测试常因网页结构变动需重写脚本。Github上超火的Skyvern项目是基于浏览器的自动化代理，不依赖XPath或CSS选择器，用视觉识别结合大模型推理完成任务，已获19k+ star。
谷歌Transformer过时了？清华姚班校友等三连击，爆改注意力！
谷歌提出新架构，参数减少40%，训练速度较RNN提升5 - 8倍，某些任务性能超Transformer 7.2%。新架构引入注意力偏向策略，用「保留」取代「遗忘」，还提出Moneta、Yaad、Memora三个新模型，在多任务上表现卓越。
全新唇同步技术OmniSync，遮挡，侧脸不在话下
唇同步对创建逼真视频内容很重要，但现有方法在身份一致、姿势变化等方面有局限。中国人大携手快手提出OmniSync，引入无需掩膜的训练范式，保证身份和姿态一致，能适应复杂场景，还建立AIGC - LipSync基准。
Uno Platform 6.6 发布：Android 启动性能最高提升 61%
Uno Platform 6.6发布，在五平台引入原生AOT发布、可选Vulkan渲染后端等。聚焦运行时性能，提升多平台启动速度，还简化XAML编写，增强AI辅助、无障碍及多语言支持等。
7B打败o3、GPT-5！医学AI智能体让模型学会“看哪里、怎么看”
上海创智学院LeapQuest团队联合多校，在ICML 2026接收两篇论文，提出“Think with Images/Think with Videos”范式，让视觉证据参与模型推理，Ophiuchus和MedScope分别用于图像和视频诊断，表现出色。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
糟糕，大佬45年前论文，被判AI生成
随着AIGC增多，AI内容检测需求迫切，但表现远不及预期。如作家Adam Kay、教授Devi Sridhar等多人的作品被误判，原因或是AI用人类内容训练，使判断边界模糊。