「视觉-语言生成」共找到 3493 篇相关文章
百度Qianfan-VL，发票/图表/合同等PDF识别94.75%刷新纪录！
当前主流视觉 - 语言模型在企业级应用有难点，百度千帆团队提出Qianfan - VL系列多模态大模型，在通用和企业级任务表现出色，基于自研芯片训练，还提供框架与管线降低成本。
清华深研院等开源GUAVA：单图0.1秒出3D形象，打破数字人天花板
清华深研院和国际数字经济研究院的中国团队开源GUAVA，单图0.1秒就能生成3D形象，在速度、效果和成本上远超传统数字人制作流程。它结合EHM模型和3D高斯泼溅技术，有诸多应用场景。
Nano Banana官方提示词来了，附完整代码示例
Nano banana正火爆全球，谷歌推出官方提示词指南。文中展示其强大效果，如人物合照、生成动画视频、换脸等，还总结其5大核心功能，给出6类提示词及代码示例。
Nano Banana 邪修之王最强科研成果！教你自定义生图比例！
Nano Banana 出图有分辨率低和比例不可控问题。作者发现用垫图方式可控制其生图比例，已生成图片也适用，还给出操作方法、提示词，介绍不同平台效果及案例图下载方式。
腾讯开源WMT2025冠军大模型：拿下30个第一，同类最佳
昨晚腾讯开源WMT2025冠军翻译大模型Hunyuan - MT - 7B，它在31种语言测试中获30个第一，成同类最佳。文中介绍其架构、训练过程，还通过多场景翻译案例展现优势，有望推动高质量翻译普及。
0 融资、10 亿美元营收，数据标注领域真正的巨头，不认为合成数据是未来
Surge AI创始人Edwin Chen接受访谈，提出创业应解决问题而非融资，合成数据被高估，高质量数据才是壁垒。他还指出大语言模型竞技场误导训练方向，人类反馈永不过时，数据质量是AI发展首要瓶颈。
VLA统一架构新突破：自回归世界模型引领具身智能
北京智源研究院联合中科院自动化所提出 UniVLA 全新 VLA 模型架构，基于全离散、自回归机制建模多模态信号，后训练引入世界模型。它刷新多项基准纪录，在真机操控和自动驾驶有潜力，为多模态感知决策融合带来新思路。
当人们误解了AI的本质，会发生什么？
文章指出尽管科技公司CEO宣称AI强大，但大语言模型无人类智慧。人们误解AI本质危害多，如将其当精神导师、用AI替代人际互动等，还揭露产业背后廉价劳工，强调要认清AI本质。
冲击自回归，扩散模型正在改写下一代通用模型范式
Google I/O 2025 开发者大会上，Gemini Diffusion 引发关注，它是采用扩散模型的语言模型。此前已有团队探索扩散式 LLM，如斯坦福、上海 AI 实验室等。蚂蚁集团和人大推出 LLaDA，后发展出多模态模型，国内团队跻身前列。
AI生图大洗牌！流匹配架构颠覆传统，一个模型同时接受文本和图像输入
AI生图有新突破，新模型FLUX.1 Kontext用流匹配架构，与此前技术不同，能接受文本和图像输入。其来自Black Forest Labs，有编辑和生成能力，还具备4个特性，第三方测试也给出提示词使用技巧。