「可控视觉生成模型」共找到 2796 篇相关文章
Gemini 3「开眼」像素级操控！谷歌回应DeepSeek-OCR2
Google DeepMind为Gemini 3 Flash推出Agentic Vision，让模型主动编代码操控图像，性能提升5% - 10%。该能力已上线，谷歌还计划扩展功能。这或许是受DeepSeek-OCR2刺激，两者技术路线不同。
独家丨段爱国离职，不再担任依图科技总裁
依图科技总裁段爱国在朋友圈宣布离开，已获公司同意。他2023年10月加入，任职时依图业务收缩、战略聚焦。此前他是华为机器视觉总裁，推动依图多领域发展。此次变动或暗示依图困境。
谷歌、Anthropic双重围剿下的OpenAI，正面临「生死抉择」
进入2026年，OpenAI将部分重心转向企业级市场，CEO奥特曼召集企业高管聚会，传达服务企业用户意向，还将推新方案助企业AI转型。其发力企业市场，是因流量被谷歌等竞品追赶，似走到转型十字路口。
15.1k，谷歌Notebook LM本地开源替代！
Open Notebook是开源、本地化且重隐私的Google Notebook LM替代方案。它支持超16家供应商，能整理多模态内容、生成专业播客，在多方面比Google Notebook LM更具优势。
让扩散模型「可解释」不再降质，开启图片编辑新思路
过去三年扩散模型席卷图像生成领域，但可解释性研究是‘黑箱’，且现有尝试常致性能下降。香港中文大学与上海人工智能实验室团队提出TIDE框架，可解释且不降质，还带来新图像编辑方式。
Anthropic重磅新研究：当AI采访了1250人，它看见了人类的「职业软肋」
Anthropic推出Interviewer工具，与1250名职场人、创作者、科学家深度对话，记录细节并量化。该工具能自动完成访谈、分析等流程，受访者满意度超97%。研究揭示不同职业对AI态度受职业结构等因素影响。
完爆ChatGPT！谷歌这招太狠：连你的「阴阳怪气」都能神还原
谷歌发布Gemini 2.5 Flash原生音频模型，可保留语调进行实时语音翻译，实现拟人化交互。还具持续监听、风格迁移等功能，提升开发者所需的函数调用、指令遵循等能力，另有实验产品Disco。
Yann LeCun离开Meta后首篇论文？使用了宇树机器人做研究
伯克利、纽约大学等团队发表论文，提出GenMimic方法，让机器人能零样本复现AI生成视频动作。Yann LeCun是共同导师之一。团队构建GenMimicBench数据集，经仿真和真实实验验证方法可行。
一句话启动AI打工人？我用Claude Skills做了个“微博热搜挖掘机”，效率炸了！
作者黄叔分享用Claude Skills做“微博热搜挖掘机”，介绍其类似给AI员工发《员工手册》，还讲了准备工作，如获取微博热搜接口，输入指令后Claude自动干活，成果可观，Claude Skills适合普通人入门。
这款开源AI卡片笔记，让我果断卸载了Obsidian！
开源君推荐开源项目Blinko，它是自托管、AI驱动的个人笔记工具，主打“快”与“智能”，将RAG技术和LLM能力融入笔记管理，数据自主可控，适合注重数据安全和知识管理的人。