搜索：视觉-语言生成

「视觉-语言生成」共找到 3493 篇相关文章

VC开始靠AI预测未来了

七月，DigClaw的预测框架Rhizome v1在FutureX评测平台取得优异成绩，支持了预测能力可沉淀在基座模型之外的判断。大语言模型不擅长预测，而DigClaw构建了以因果结构为骨架的预测基础设施。

Codex 迎大更新，有望成 OpenAI 超级应用核心。它能与多工具协作，超 300 万开发者在用，近半使用场景非写代码。具备跨应用多 Agent、非编码任务处理等功能，还增添图像生成等特性。

DeepSeek开源3B参数的新OCR模型，重新思考AI处理长文本方式，用视觉token压缩文本信息。核心组件有DeepEncoder和DeepSeek3B - MoE解码器，实验效果好，成本降低，还解决了一些算法和工程问题。

现有视频生成模型在多主体定制中难保持身份一致与自然交互，上交和腾讯提出PolyVivid框架解决此问题。它在多方面优于现有方法，还介绍技术原理、演示效果，证明其在多领域有实用价值。

AI2开源Open Coding Agents，以最低数百美元算力成本，能训练贴合私有代码库的专属编程智能体。SERA-32B表现惊艳，其软验证生成技术降低成本，新代码易部署且兼容Claude Code。

Soul App 新开源实时数字人项目 SoulX-LiveAct，解决 AR 扩散模型流式生成稳定性问题。它实现 20 FPS 实时流式推理，延迟 0.94 秒，支持无限时长，有恒定显存等亮点，可用于多场景。

马斯克的Grok在悉尼光明节枪击案中大规模「翻车」，将救人英雄误认、混淆枪击与气旋等，暴露生成式AI处理实时信息的「幻觉」缺陷，凸显其无价值观、难辨虚实的软肋。

历经四个月，「腾讯广告算法大赛」战果揭晓，「Echoch」战队夺冠，另有两支战队杀入三甲，前十名全员获鹅厂Offer意向书。赛事揭示推荐系统正迈入「端到端生成」新纪元，各战队方案亮点多。

自Sora亮相，AI视频可控性成瓶颈。西湖大学AGI实验室团队提出WorldForge框架，在推理时为视频模型注入「时空几何」，无需训练，实现单图360°环绕视频生成和视频重运镜等，降低创作门槛。

上海交通大学李元祥教授等团队提出ITFormer架构，构建EngineMT-QA数据集。ITFormer能融合时序数据与大语言模型，适配多种编码器和模型，在EngineMT-QA预训练后达SOTA水平，实现高效数据分析。