「视觉语言融合」共找到 2042 篇相关文章
Sebastian Raschka 2026预测：Transformer统治依旧，但扩散模型正悄然崛起
知名AI研究员Sebastian Raschka预测2026年，Transformer架构在未来至少一到几年仍占统治地位，但会在效率和混合上微调。同时，扩散语言模型虽有工具调用缺陷，但在数据稀缺时或成更好的学习者。
翻译：代码日趋廉价，软件依然昂贵
Claude Code等大语言模型工具强大，让软件构建门槛崩塌，迎来个人化软件时代。但构建有价值软件门槛仍高，代码虽廉价，软件维护等成本贵。工程师价值转向系统架构，真正挑战是分发和分辨实用价值。
LTX-2开源：首个能同时生成视频和音频的模型
LTX-2开源，它是Lightricks团队开发的首个开源多模态基础模型，能联合生成音频和视频。采用非对称双流扩散变换器架构，用深度多语言文本编码器，速度比许多纯视频开源模型快，让模型理解声画关联。
黄仁勋CES最新演讲：Rubin 今年上市，计算能力是 Blackwell 5 倍、Cursor 彻底改变了英伟达的软件开发方式、开源模型落后先进模型约6个月
英伟达CEO黄仁勋在CES 2026演讲宣告AI转折，披露‘物理AI’路线图。提到开源模型突破但落后先进约6个月，还发布多款成果，如AlphaMayo、GROOT 1.6等，以及AI超算Vera Rubin，展现全栈式AI布局。
SIGIR 2025 | 视频检索新范式！北邮、北大等联合提出AV-NAS：首个音视频哈希搜索架构，让Mamba与Transformer自动“组队”
北邮、北大等团队提出 AV-NAS，在多模态视频哈希领域引入 NAS，构建含 Transformer 与 Mamba 的统一搜索空间。该方法能自动发现最优跨模态融合机制，揭示音频时序建模中“CNN + FFN”结构更优，代码已开源。
CES 2026超前瞻：空间智能来势汹汹！从实验室奢侈品到消费级刚需，如何重塑 AI 具身时代？
2026年CES展上，空间智能从学术概念迈向产业实践。当前具身智能存在‘语言强、手脚笨’困境，空间智能是破解关键。全球分世界生成与空间决策两条技术路径，且行业正迎来成本降低的拐点。
阿里通义新年礼物：开源最强Qwen-Image-2512版本告别AI塑料感与文字乱码
通义万相新年前发布Qwen - Image - 2512版本。它是开源界最强文生图模型，在AI Arena盲测中表现出色。能消除AI塑料感，攻克文字渲染难题，在还原真实世界和重构视觉元素逻辑排版上有显著提升。
记忆罗盘：大模型智能体记忆的表征、操作与演进航向 | 直播预约
记忆对基于大语言模型的智能体迈向通用人工智能至关重要。来自多所高校及华为的研究团队分析超30000篇论文，提出记忆表征与操作分类坐标系，绘制记忆罗盘指明演进航向。2025.12.24有相关直播。
SIGGRAPH Asia 2025｜30FPS普通相机恢复200FPS细节，4D重建方案来了
3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。
GPT-5.2 发布：做表格、写 PPT、敲代码 | 打工人的生产力利器
GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。