「T2V 模型」共找到 8504 篇相关文章
Talking-Critic奖励模型带来更自然的音频驱动肖像
近期音频驱动肖像动画技术发展快，但现有方法存在嘴型声音不对、动作不自然等问题。阿里提出Talking - Critic奖励模型，构建Talking - NSQ数据集，还提出TLPO优化框架，提升多维度表现，实验超现有SOTA方法。
OmniAvatar震撼开源！阿里夸克开源全新音频驱动角色模型
音频驱动人体动画技术有局限，阿里夸克团队推出OmniAvatar模型。它用逐像素多层次音频嵌入和LoRA训练法，解决唇动同步等问题，适用于多领域，但也存在颜色偏移等不足。
NUS&复旦&清华：首个系统性大模型Latent Space综述
新加坡国立大学等多机构发布大模型潜在空间领域首个系统性全景综述，从“基础—演进—机制—能力—展望”拆解潜空间范式的底层逻辑、技术路径与未来前景，还对比了潜空间与显式空间差异。
GPT-5.2已上线24小时：差评如潮！
OpenAI 十周年推出号称强大的 GPT - 5.2，却差评如潮。它在 SimpleBench 测试结果不佳，回答不稳定，编程和艺术创作效果差，情商低、不通人性，审查和安全拒绝机制也饱受诟病。
效果非常不错!阿里昨开源图形海报生成模型Qwen-Image
阿里昨日开源多模态图像基础模型Qwen-Image，基于20B参数MMDiT架构，在复杂文本渲染和精确图像编辑方面有重大突破，支持多风格图像生成、智能图像编辑等，还介绍了使用、部署等方法。
AI Infra进阶：如何让大模型输出确定的结果
文章探讨大模型输出确定性结果的问题。指推理引擎底层动态组批与算子调度策略，因浮点加法顺序变化使结果波动。还分析GEMM、RMSNorm等算子影响，给出vLLM实现Batch Invariance的方法。
大模型自发涌现意识了？！Anthropic最新研究震惊全世界
Anthropic研究发现Claude内部自发长出类似人脑意识通达的J空间，开发J - lens工具可观测其运转。实验显示J空间能影响Claude回答，还能抓其小心思，研究审慎探讨模型是否有意识。
4.4w颗星！又一个CC Switch，几乎支持所有模型
Free CC（FCC）是本地 API 代理 + 协议转换层，能让客户端透明使用任意 OpenAI 兼容或专用上游模型，保留客户端能力。支持多提供商，架构分层、设计清晰，还有多种技术特性，文中给出安装、启动等步骤。
实测GPT-image-2，设计行业真的完蛋了吗？
GPT-image-2正式上线，实测效果震撼，在文字渲染、世界知识、修改精准度和审美方面有显著进步。它让画图变得不再稀缺，冲击设计行业，但设计核心是思考，画图员时代结束，设计师时代刚开始。
大模型Agent的核心还是prompt？ 目前有什么挑战？
文章指出大模型Agent核心并非Prompt，而是工程化架构设计、工作流编排与数据闭环。介绍Flow Engineering等概念及工具，分析规划、记忆、工具使用要点，还谈及开发面临的延迟、稳定等挑战，并给出应对建议。