「多模态理解与生成」共找到 3420 篇相关文章
可灵3.0系列模型正式上线：属于每个人的导演时代来临
可灵AI正式全球上线3.0系列模型，覆盖影视级全流程链路。该系列基于All-in-One理念构建，解决了行业一致性等问题，在多方面做了增强，完成从单点生成到专业调度的跃迁，让AI成创作协作者。
ViT一作盛赞：这个中国开源“PS模型”强过Nano Banana
ViT核心作者Lucas Beyer连发三条帖子怒赞通义千问发布的开源模型Qwen—Image—Layered，认为这是图像生成的正确打开方式。该模型可实现PS级拆图自由，支持精细化修改图片元素，核心技术是端到端的扩散模型。
开源 AI 视频平台
开源 AI 视频平台集成剪辑生成器、AI 短视频、YouTube 工作室三大工具，能将长视频转短视频，为业务生成营销视频，还具备免费 YouTube 工具包。支持多平台发布，自托管永久免费。
关于具身智能「触觉」，你想知道的都在这篇综述里了
本文由香港科技大学（广州）熊辉教授团队牵头，联合多所高校，全面梳理截至2026年第一季度具身智能触觉前沿研究。介绍触觉重要性、多模态触觉融合流程、全景蓝图，指出面临挑战并展望未来。
干掉延迟！12G显存就能实现实时AI换脸直播，开源免费。
推荐开源项目PersonaLive，它是基于自回归流式扩散技术的实时人像动画生成框架。能平衡画质与低延迟，用一张照片在普通显卡实现数字分身实时驱动，有低显存、无限时长等特点。
哈萨比斯：DeepMind才是Scaling Law发现者，现在也没看到瓶颈
哈萨比斯在Axios AI+峰会上称Scaling Law最早由DeepMind发现，靠它可能达成AGI，还预测未来12个月AI发展，如多模态融合、视觉智能突破等，且Gemini目标是成通用助手。
【CUDA-MODE学习笔记】Lecture 40: CUDA Docs for Humans（文末送书
本文是CUDA-MODE课程笔记，介绍Modal公司GPU术语词汇表项目，讲师分享职业历程，强调理解CUDA技术栈各层次重要性，还讨论了项目短、中、长期目标，是助力开发者掌握CUDA的教育项目。
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。
直播预约 | 强化学习训练能否不依赖外部知识优化模型的弱点？
论文提出 SwS 框架，针对强化学习场景，利用模型自我感知弱点驱动自动化问题生成，合成针对性训练数据。还对其进行多项扩展，在多个基准测试集和模型上验证有效，性能提升显著。
别再手搓测试数据了！AE测试数据智造系统揭秘
本文介绍基于大语言模型的AE测试数据智造Agent，解决AliExpress跨境电商测试数据构造难题。它结合大模型与原子工具库，实现自然语言驱动的全链路测试数据生成，提升测试效率与智能化水平。