搜索：视觉生成 - AI Reading Hub

「视觉生成」共找到 2703 篇相关文章

让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」

在文生图和视频生成领域，现有模型处理复杂任务常出错。港中文和美团团队提出TwiG范式，将视觉生成拆解为“生成-思考-再生成”循环，经实验验证有效，有望拓展到更多领域。

Jina AI发布2.4B参数量的视觉语言模型Jina - VLM，在多语言视觉问答任务达SOTA。它引入注意力池化，连接视觉与语言基座，处理问答等任务，对硬件要求低，多项测试表现优，还介绍架构、训练策略和上手方式。

INSAIT、复旦大学等联合提出ObjectRelator框架，让AI精准匹配不同视角下同一物体，实现跨视角统一表征与理解。它在Ego转Exo和Exo转Ego任务上超基线模型，已被ICCV 2025接收，代码开源。

该项目解决学术演示两核心问题，用智能体PaperTalker生成视频，还设Paper2Video基准评估。介绍了PaperTalker使用步骤，含环境、配置、推理，也说明了Paper2Video评估指标及运行方法。

OpenAI计划关闭视频生成器Sora，将资源重新分配到更有盈利性的投资中。Sora虽能生成高质量视频，但生成耗时久、计算成本高，日亏损约100万美元，其与迪士尼的合作也将结束。

当前主流图像生成模型多步策略依赖手工静态调度规则，存在需大量调参、无法适配样本特性的问题。本文提出AdaGen框架，通过强化学习训练策略网络，在四大生成范式上实现性能提升与效率优化。

文章给出根据YouTube视频生成Blog文章的提示词，涵盖核心创作原则、文章生成流程与要求、全局风格与限制等，指导创作者将视频内容转化为优质博客文章。

Apple团队开发多维分词器AToken，可将图像、视频、3D对象映射到共享token空间，统一处理视觉媒体。它由预训练编码器和解码器组成，经多阶段训练，在多任务上达或接近先进水平，为视觉模型带来通用性。

Gartner发布《生成式AI模型提供商创新指南》，首次对生成式AI市场进行象限划分，按功能完整性和未来潜力将厂商分为新兴领导者、新兴挑战者、新兴远见者和新兴专家四个区域，还指出AI正从实验转向企业核心层。

中科院软件所等联合开源PPT Agent，它能分析参考幻灯片，按人类流程分两阶段生成PPT，有自我修正功能，测试显示在多维度优于现有方法，极大节省用户时间精力。