「视觉领域」共找到 2314 篇相关文章
1.9K Star 微软开源TTS王炸！90分钟超长语音合成，4人对话自然切换！
在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。
社区供稿 | 阿里国际Ovis2.5重磅发布：以小博大，刷新开源模型性能新高度
阿里国际发布多模态大模型Ovis2.5，在OpenCompass综合得分提升，保持SOTA水平。它在原生分辨率视觉感知等三方面突破，有9B和2B两版本，代码、模型等资源已开源，技术原理涉及架构、训练与数据。
杭州跑出的AI独角兽，突围大模型的“第二战场” | 甲子光年
2025年AI行业有转变，算力堆叠对大语言模型性能提升放缓，空间智能成“第二战场”。谷歌、英伟达等巨头纷纷布局，群核科技作为杭州“变量”，发布业界首个3D室内空间大模型，构建数据飞轮，技术有望落地多领域。
我们都错怪GPT-5了，路由统一算力，免费用户也能创造收益
GPT - 5发布后，其路由架构备受关注。开源社区的Arch - Router类似其路由系统，能结合任务领域和动作制定策略。GPT - 5路由框架可平衡成本与性能，还能转化免费流量，未来想掌控用户与模型交互路径。
用最简单的大模型技术打造一个迁云专家有多难？
文章探讨在云迁移领域用大模型技术“复制”专家80%核心能力。分析标准化方案不足及简单RAG局限，介绍“LX0.1”AI专家助手构建，还提及分层评测、人机协同等优化，最后展望AI在云迁移的未来方向。
只提升2个点？我实测Claude 4.1后，发现官方在骗人
官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。
996 工作制席卷硅谷！招聘启事惊现“加班警告”：接受就是年薪翻倍+股权暴增，不接受就滚蛋
996工作制正席卷硅谷，尤其在AI等高速迭代领域。过去美国强调工作与生活平衡，如今为追求速度，加班成刚需。部分公司用996筛选员工，也有公司分层推进。但此举引发争议，还存在法律风险。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
一键实现PPT演讲自由！「解说音频+视频」同步生成，效果逼近真人
澳大利亚与英国研究人员提出文档到演示视频生成任务，推出PresentAgent系统。它能将长文档转为带语音和同步幻灯片的视频，流程可控且适应多领域。实验显示其生成视频接近人类表现，还设计了双路径评估策略。
通向世界模型关键一步：EX-4D来了，实现单目视频到自由视角生成
去年Sora等模型革新视频生成领域，相机可控的视频生成技术是构建世界模型核心。但从单视角生成极端视角视频是难题，PICO - MR团队提出EX - 4D，能从单目视频生成新视角视频，多方面表现出色。