搜索：可控视觉生成模型

「可控视觉生成模型」共找到 2795 篇相关文章

智谱GLM-OCR，0.9B开源即巅峰，复杂文档精准解析

智谱发布并开源GLM - OCR，以0.9B轻量级参数在多项基准取得SOTA。它解决视觉感知难题，具备视觉编码与语言解码协作架构，还可端侧与高并发部署，成本低，推动文档智能化处理升级。

电商AI视频此前生成效果不佳，难以用于投放。营赛AI发布的inSai Hilight是“下一代营销视频解决方案”，在权威评测中表现出色，能保证商品和数字人一致性，靠知识图谱等技术实现高质量视频生成。

开发者bigattichouse让Qwen - 0.6B小模型推理时生成并执行WASM代码获计算结果。最初尝试加标签生成Python代码效率低，后用WASM，创建三层架构。虽结果未完美，但接近，还通过Gemini审查验证。

近年来，扩散大语言模型（dLLM）成为文本生成新势力，生成效率高。但现有解码策略忽视中间迭代信息，研究团队观察到「先对后错」现象，提出 TCV 和 TCR 方法，显著提升模型在推理任务表现。

本文来自量子位，对梅涛旗下智象未来发布的AI视频创作智能体Vivago R1进行深度实测，介绍产品定位、技术架构，分析AI视频赛道分化路线，分享实测体验，探讨AI创作工具发展方向。

文档OCR正迈入小模型时代，MonkeyOCRv2以0.7B、0.6B参数在MDPBench上超越3B模型。它重新分配系统职责，采用互补预训练目标，还开源训练数据，且迁移到多任务表现良好。

市面上能直接交付Excel表格的AI助手少，千问悄悄升级解决了这一难题。其新上线的表格Agent功能强大，能对话生成、拍照生成、文件转Excel等，且全渠道免费用，降低了AI使用门槛。

谷歌CEO疑似暗示Gemini 3.0下周登场，它或成谷歌重大转折点。其在代码编写、图片生成等方面表现出色，还能一句话生成OS、UI网页。谷歌与OpenAI竞争激烈，巴菲特重仓谷歌股票，业界看好其潜力。

音频超分辨率是提升音频体验的关键技术，但高频细节损失是挑战。OpenAI的Sora 2树立高保真音频生成标杆，现有学术模型有局限。清华与生数科技团队发表两项成果，AudioLBM展现通用高分辨率音频生成潜力。

扩散模型成生成任务主流技术，但逐步去噪机制致推理延迟大。西湖大学提出 EPD - Solver 算法，融合三类加速思路优势，可减少积分误差、提升生成质量，还能作插件集成，突破扩散模型速度与质量权衡瓶颈。