「文本转截图」共找到 593 篇相关文章
港科广×腾讯联手打造《我的世界》神操作，400张截图就能让AI挖矿通关，成本降至5%｜EMNLP 2025
港科广与腾讯联合团队提出VistaWise框架，将“跨模态知识图谱+轻量化视觉微调”引入开放世界智能体。实验显示其在“获取钻石”任务表现出色，成果被EMNLP 2025主会录用。该框架以低成本、跨模态为突破口。
图像界的DeepSeek！12B参数对标GPT-4o，5秒出图，消费级硬件就能玩转编辑生成
Black Forest Labs开源旗舰图像模型FLUX.1 Kontext[dev]，专为图像编辑打造，能在消费级芯片运行。12B参数少、推理快，性能媲美闭源模型。有诸多特点，经优化训练，在KontextBench基准表现优。
0.5B以小搏大拿下端侧模型新SOTA：4090可跑，长文本处理5倍常规加速丨清华&面壁开源
清华大学和面壁智能团队开源MiniCPM 4，有8B、0.5B两种参数规模，以22%训练开销达同级别最优。它在架构、推理、数据、训练多方面创新，性能领先，适用于综述生成、工具调用等场景。
刚开源的口袋级TTS，CPU 即可多语言本地畅用，爽！
传统TTS模型对个人开发者和边缘设备不友好，最近Github上开源的Pocket - TTS仅100M参数，能在普通CPU上超实时语音合成，支持语音克隆，安装简单，适合多种本地语音开发场景。
Google 开源 InkSight，把手写笔记直接变成可编辑数字笔记！
Google 开源 InkSight，能将手写照片转为数字墨迹，与传统 OCR 不同，它可「还原书写方式」。具备离线转在线、多语言支持等功能，核心是「阅读 + 书写」双重训练，有两种使用模式。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
ACL'25首届博士论文奖 | 重新思考 LLM 中的数据使用
近日，第一届 ACL 计算语言学博士论文奖获得者是 Sewon Min，其论文《重新思考大型语言模型中的数据使用》围绕大型语言模型如何使用训练所用的庞大文本语料库展开研究。
Cursor现在可以直接控制浏览器了
随着Claude4.5发布，Cursor更新了“@Browser”，可控制浏览器、截图、改进UI、调试客户端等。无需安装其他工具，任何模型输入@browser即可控制浏览器，在Windows下调用顺滑，需启用预览版功能。
中科院甩出多模态“核弹”！类GPT-4o多模态模型开源！支持语言-视觉-语音任意组合交互！
中国科学院计算技术研究所（ICTNLP）开源类GPT - 4o多模态模型Stream - Omni，支持文本、视觉和语音任意组合交互，核心是高效模态对齐技术，少量多模态数据即可训练，有多种使用场景。
Codex现在随时能截屏你的桌面！OpenAI建议：开会前记得关
OpenAI为Codex新增Chronicle功能，可后台抓屏截图，生成记忆用于增强上下文。虽让工作流更丝滑，但有消耗配额、注入风险、存储未加密等问题，OpenAI建议开会前暂停。