「视觉-语言生成」共找到 3493 篇相关文章
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。
1w颗星！多平台 LL M 聊天机器人及开发框架AstrBot！
AstrBot是聊天机器人及开发框架，松耦合、异步，支持多消息平台部署。它功能丰富，支持多种大语言模型，有Agent能力、插件扩展等，还介绍了多种部署方式、平台及提供商支持情况。
比10年专业医生准4倍！微软发布突破性医疗AI系统
微软首席执行官分享新发布的医疗AI系统MAI - DxO，它模型无关，能适配不同语言模型，模拟医生诊断流程。测试显示其准确率远超专业医生，成本大幅下降。此外还发布序贯诊断基准SDBench。
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。
登上Science Robotics顶刊！清华团队耗时22年，终于教会机器人踢足球
今年8月，清华赵明国教授团队联合字节跳动Seed等在《Science Robotics》发表论文，提出视觉驱动的反应式足球技能学习框架。该研究历经22年技术接力，成果在真机和赛事中验证，加速进化平台助力研究。
港大刚刚开源了 CLI-Anything！一个命令让任意软件秒变 AI Agent 原生工具！
香港大学数据科学实验室团队开源 CLI - Anything，它以 CLI 为桥梁，将人类软件转变为 Agent 能用的工具。该项目有一键生成 CLI、真实软件集成等亮点，还给出快速入手步骤和使用示例，未来规划宏大。
字节开源GUI Agent登顶GitHub热榜，豆包手机核心技术突破26k Star
字节开源的豆包手机核心支撑GUI Agent模型UI - TARS登顶GitHub热榜，突破26k Star。它是多模态AI智能体，纯视觉驱动，部署简单，历经多轮迭代，成为热门开源多模态Agent。
智能必须基于世界模型？我们和蚂蚁灵波团队聊了聊
上周图灵奖得主 Yann LeCun 认为真正的智能应能在脑海推演，而大语言模型难以触及真实世界。2026 年初，蚂蚁灵波连续四天开源四款具身智能模型，探索从物理交互构建智能的新路径。
Qwen-lmage-Layered：图片分层 指哪改哪
全新图像生成模型Qwen-lmage-Layered采用自研架构，将图片“拆解”成多个图层，各图层可独立操作。其提出新编辑思路，有RGBA - VAE等亮点，支持灵活迭代分解，能实现精准高效的图像编辑。