搜索：视觉内容创作

「视觉内容创作」共找到 1712 篇相关文章

只用图像也能思考，强化学习造就推理模型新范式！复杂场景规划能力Max

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。

2025年10月18日，胡介鸣在澳门“湿件半岛”展览现场开展讲座，以自身作品为例，探讨新技术下影像叙事逻辑演变。之后学者杨云鬯等围绕讲座内容展开讨论，还介绍了相关艺术作品创作。

谷歌Gemini推出免费StoryBook工具，30秒左右可生成10页故事书，支持中文且内容有趣。测试显示，它在图像风格、故事创作上表现出色，还能作学习和展示工具，获网友好评。

小米发布Qwen2.5VL升级版MiMo-VL，能力提升30%。它能完成输入视觉回答问题、做几何体等任务，重点解决多模态推理、视觉理解及与人类偏好对齐问题，介绍了模型结构、训练阶段等内容。

在短视频和 AI 席卷内容行业的当下，今日头条 2025 年深度创作者大会上，驻美记者王冰汝、财经博主半佛仙人、自媒体人三表龙门阵分享了各自的焦虑与坚守。他们谈到爆款、AI 影响、创作模式等问题，展现不同生存哲学。

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。

千问App迎来史诗级更新，接入阿里两大视觉模型Qwen - Image和Wan 2.5。Qwen - Image在图像编辑上有强大视觉逻辑理解和一致性保持能力；Wan 2.5能实现原生音画同步。千问App还实现一站式工作流。

OpenBiliClaw把浏览器扩展等拼成内容发现Agent，将内容推荐主导权交回用户。它汇总显式授权来源信号找内容，形成本地画像。介绍其架构层级、核心闭环，也提醒“本地优先”仍需做隐私检查。

传统视觉 Tokenizer 存在缺乏高层语义信息、冗余度高、表征混乱等问题。香港大学 CVMI Lab 和阶跃星辰 AIGC 团队提出 VFMTok，用预训练视觉基础模型构造视觉 Tokenizer，实验显示其性能优异。

AI短剧火爆，但创作者面临成本高痛点。Agnes Video 2.5系列模型上线Pavo平台，成本低效果好，其Flash版免费。Pavo还有「无限画布」和「Agent创作模式」，降低返工成本，实现低门槛创作。