搜索：合成图像家庭

「合成图像家庭」共找到 714 篇相关文章

相机参数秒变图片！新模型打通理解生成壁垒，支持任意视角图像创作

S-Lab等机构研究员提出Puffin统一多模态模型，它能整合理解相机参数与按参数生成对应视角图片的能力。通过“用相机思考”和400万组数据训练，解决此前模型问题，还构建相关数据集和评测基准，性能出色。

MultiTalk 是 MeiGen‑AI 开发的开源框架，可从音频、图片和提示语生成多人对话视频。它解决传统视频制作痛点，功能亮点多，技术优势明显，应用场景广，与同类项目对比表现突出。

4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。

过去两年视频生成发展近成熟，但多数模型缺乏空间结构稳定建模能力。西湖大学AGI Lab团队提出论文，将问题落回推理阶段，让相机轨迹成约束条件，推进视频生成到三维结构约束建模。

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。

现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。

谷歌推出免费 Vibe Coding 工具，集成多种 AI 功能。谷歌 AI Studio 的 Built 模式更新，能混合匹配 AI 功能，自动连接模型和 API。用户无需了解 API 文档，可快速做出 MVP，谷歌 AI API 免费（限速）。

华为盘古多模态生成团队推出 Selftok 技术，通过反向扩散将自回归先验融入视觉 token。它突破传统，实现因果 token、强化学习友好型 token 及纯 AR 大一统架构，实验在多方面表现优异，论文还入选 CVPR 2025 最佳候选。

Anthropic CEO Dario Amodei在采访中给出八个非共识观点。他认为AGI和ASI是空洞概念，年亏30亿美元是投资，开源作用被高估，还谈及公司应对挖角、竞争、市场定位等策略，展现独特领导风格。

上海AI Lab提出LEMMA方法，构建“错误 - 反思 - 修正”数据，让大模型从错误中学习。通过教师模型定向制造“学生会犯的错”构造数据，实验显示在Llama3 - 8B上数学解题准确率提升13.3%。