搜索：视觉-语言生成

「视觉-语言生成」共找到 3485 篇相关文章

13.8K star！！6G显存就能跑的AI视频神器，支持1分钟生成，这么6？！

现在AI视频生成领域仍面临高算力需求挑战，斯坦福大学研究团队推出`FramePack`项目，降低了本地AI视频创作硬件门槛，有低硬件需求、高效生成速度等特色，操作也简单。

中国科学技术大学等多机构研究者发表综述，梳理超500篇论文，揭示扩散模型视觉内容合成“一致性危机”，介绍三类一致性关系、加强位置、评估问题，指出未来模型需具备冲突感知等能力。

字节会师何恺明，开源连续扩散语言模型Cola DLM，释出论文、代码等。该模型跳出离散token束缚，把生成过程交给连续空间，在实验中展现出稳定scaling趋势，其动机是表征而非diffusion。

在高分辨率三维形状生成中，传统方式有计算与内存瓶颈。南京大学提出Direct3D - S2框架，基于稀疏体积构建，有空间稀疏注意力机制，加速计算，还引入统一格式VAE，生成质量领先，训练成本更低。

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。

Microsoft 365 开发团队发布 Dev Proxy v1.3.0 版，引入 HAR 文件生成、OpenAI 使用跟踪等新功能，改善调试、测试和 API 监控，还改进 OpenAPI 规范生成等，同时更新了 VS Code 工具包。

春节期间 Seedance 2.0 爆火，字节跳动等开源视频模型 Helios 家族，参数量 14B，单卡生成速度达 19.5 FPS。它与 UniWorld-OSP2.0 技术栈同源，后者是超百亿级视频生成大模型，有诸多技术突破。

AI 3D生成领域前景广阔但也有疑惑焦虑。量子位智库对话VAST创企，其创始人与CTO分享3D原生玩法、落地场景，还谈产品开发、需求发掘等认知，Tripo平台已覆盖众多用户。

北大王选所团队发表论文 TRKT，针对弱监督动态场景图生成任务目标检测质量瓶颈，提出时序增强关系敏感知识迁移方法，含关系敏感知识挖掘和双流融合模块，实验证明能提升场景图生成质量。

新加坡南洋理工大学 MARS Lab 提出 Action-to-Action (A2A) Flow Matching 新范式，以历史机器人轨迹为生成起点，打破生成速度与精度瓶颈，在训练效率、推理速度及泛化表现上佳，还可扩展至视频生成领域。