「文本到图像生成」共找到 2675 篇相关文章
Gemini 3.5来了！今夜，谷歌亲手淘汰谷歌
谷歌I/O 2026大会火力全开，发布Gemini Omni、3.5 Flash、Spark等新品。Omni可接收任意输入生成视频，3.5 Flash性能强大，Spark是7×24h云端个人AI特工。谷歌多项能力同时到位，撕开了ASI入口。
Altman 亲自坐镇发布 ChatGPT Image 2，小编实测：风格、画质、叙事感全都夯爆了
OpenAI CEO Sam Altman 亲自发布 ChatGPT Images 2.0，这是该公司迄今功能最强的图像生成模型。它有思考能力，可直出 8 张连贯图片，支持多语言、多种画幅与分辨率，能精准执行复杂指令，直接商用也没问题。
多模态幻觉的病因「高熵节点」找到了！全基准幻觉率下降
多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。
Google Gemini Embedding2：一个模型处理所有媒体类型
Google发布Gemini Embedding 2，首个原生多模态嵌入模型。能处理文本、图像等多种媒体类型，支持交错输入，覆盖超100种语言。与多模型串联方案比，延迟降70%、召回率升20%。已可在Gemini API等使用。
NeurIPS 2025 Spotlight | FSDrive统一VLA和世界模型，推动自动驾驶迈向视觉推理
面向自动驾驶的多模态大模型存在问题，FSDrive提出“时空视觉CoT”，让模型“以图思考”，联合未来场景与感知结果进行可视化推理。该方法在不改动原有MLLM架构前提下激活图像生成能力，实验表现出色。
马斯克终于成『AI No.1』，6大案例看实力与水分
马斯克发布Grok 4，宣称其超越OpenAI等LLM。它屠了各种榜单，但Grok系列口碑欠佳。文中通过多案例测试，展现其在各方面的表现，如编码、数学、图像等，还提到了API速度和价格。
这样更公平：用jina-reranker-m0为多模态文档打分重排
文章指出多模态搜索领域给文档综合评分难，因文本与图像评分缺乏可比性。2025年4月发布的jina - reranker - m0可解决此问题，其两阶段检索流程能显著提升召回率，对多模态AI系统设计有启发。
Speech-02语音模型登顶国际榜单：完美复刻声音，同事听后难辨真伪
MiniMax的Speech-02语音模型登顶国际榜单，超越OpenAI等海外模型。它引入可学习说话人编码器，有高扩展性，还能结合文本描述生成音色。测试显示其音色丰富、读音准、支持多语种，声音复刻逼真。
上下文记忆力媲美Genie3，且问世更早：港大和可灵提出场景一致的交互式视频世界模型
交互式长视频生成缺乏稳定场景记忆，制约下游应用落地。Google DeepMind的Genie 3有强场景一致性但未公开技术细节。港大和可灵提出的Context as Memory模型，上下文记忆力媲美Genie 3且投稿更早，还提升了计算效率。
众所周知视频不能P？北大施柏鑫团队、贝式计算CVPR研究：视频里轻松换衣服、加柯基
视频编辑难度高，传统流程繁琐，现有AI方法有局限。北大施柏鑫团队联合贝式计算等提出VIRES方法，能实现视频主体多种编辑操作，还标注VireSet数据集。其在多指标超现有SOTA模型，团队还探索全景级可控视频生成。