「文本到图像生成」共找到 2675 篇相关文章
打造图像编辑领域的ImageNet？苹果用Nano Banana开源了一个超大数据集
苹果研究团队提出Pico - Banana - 400K数据集，基于Nano - Banana在OpenImages实拍照片生成编辑对。其系统化设计保证质量与多样性，还构建自我编辑评估流程，为图像编辑模型训练评测奠定基础。
浙大推出首个「多图应用题」基准GSM8K-V，全面评估 VLM数学推理能力
浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。
Bug变奖励：AI的小失误，揭开创造力真相！
最新研究发现，AI的「创造力」并非额外能力，而是架构副作用。扩散模型本应是复制机器，却画出奇怪图像。研究者基于规则构建数学系统，证明了这一观点，还推测人类灵感或许同理。
RAG新王：AccurateRAG屠榜SOTA
大模型记不住私有或实时信息，RAG 落地遇难题。AccurateRAG 是 Qualcomm 团队端到端工程方案，有 4 个模块化组件，在 6 个数据集上刷新 SOTA，解决 RAG 文档解析、检索和生成难题。
AI版抖音来了
OpenAI发布Sora 2及专门APP，被称为AI版抖音。Sora 2在逼真度和物理准确性上有极大提升，APP玩法独特，让大量真实人物与虚拟场景结合。虽仅在美加开放且需邀请码，但闲鱼已有售卖。
香港中科院发布聆音大模型，400万张图喂出个“AI超声神医”
中国科学院香港创新研究院发布超声大模型“聆音”，用超400万张图像的超声数据集，经自监督学习训练。它在多项诊断任务破纪录，临床效果佳，还将模型等开源，有望推动领域发展。
Tool-Integrated RL 会是 Agents 应用突破 「基模能力限制」 的关键吗？
文章聚焦AI & Robotics业内要事，探讨Tool - Integrated RL能否助Agents突破「基模能力限制」，还涉及Copilots填产业落地鸿沟、生成式AI重塑软件开发等话题，完整版通讯含多项解读与要事速递。
阿里开源 Wan2.2-Animate！统一角色动画和视频人物替换
阿里通义实验室开源 Wan - Animate，这是用于角色动画与替换的统一框架。它构建于 Wan 模型之上，支持角色动画和角色替换两项核心功能，性能超现有算法，还通过独特设计实现多种效果。
全球图生视频榜单第一，爱诗科技PixVerse V5如何改变一亿用户的视频创作
爱诗科技PixVerse（拍我AI）功能丰富，普通用户可用热门模板整活，创作者有多样创作工具。其最新V5模型在图生视频项目全球排名第一，在多方面技术革新，推动AI视频创作发展。
大模型破译甲骨文创下新SOTA！复旦团队推出新框架
复旦大学团队提出基于部首和象形分析的可解释甲骨文破译框架，构建PD - OBS数据集。该框架在公开基准数据集上准确率高，零样本破译能力强，能输出可解释分析文本，助力考古破译。