搜索：图像理解与生成

「图像理解与生成」共找到 2990 篇相关文章

阿里刚刚开源了一款影视级配音项目，口型同步、音色转换都不是事！

阿里通义实验室语音团队联合中科大发布多模态电影配音模型Fun - CineForge，开源模型并构建中文电视剧配音数据集。它能处理多种场景，有视频理解等亮点，还给出制作数据集步骤。

OpenClaw曾引发安装热潮，如今因安全风险引发卸载潮。国家相关部门发布风险提示，网上出现卸载服务。而GenericAgent既能装也能卸OpenClaw，还能自我卸载，展现出硬核技术。

谷歌发布Gemini Embedding 2新型基础架构，将文字、图像等数据整合到统一维度，终结旧工作流。该系统赋予机器五维感知，建立跨媒介沟通语言，提升运行效率，在多场景有应用潜力。

谷歌推出首个原生多模态嵌入模型Gemini Embedding 2，通过Gemini API和Vertex AI公开预览。它将文本、图像等映射到统一向量空间，支持多模态交错输入，性能超越现有领先模型，开发者可快速接入。

随着生成式AI广泛应用，版权纠纷成AI领域棘手挑战。张登辉等研究人员推出Copyright Detective系统，集成多范式检测，解决单一检测局限，为大模型文字版权风险提供全方位“体检”方案。

文章介绍多尺度特征融合技术，它结合网络不同层次特征以捕获丰富上下文信息，在目标检测等任务广泛应用。阐述原理、常用方法，介绍FPN、U - Net等结构，并给出基于这些结构的实用算法案例与Python代码。

Claude Code推出语音模式，向约5%用户开放。用户按住空格说话，系统自动生成文本，支持语音与键盘混合输入，能提高录入效率，但大概率不支持中文。此外，电报率先支持OpenClaw流式实时回复。

文本摘要质量评估需兼顾多维度，但开发者优化时易顾此失彼。Li Auto团队提出HVO，基于GRPO框架，让7B模型在摘要任务媲美GPT - 4，且生成内容更简洁，成果被ICASSP 2026接收。

多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。

本文实测「码上飞」AI 开发平台，它让用户用对话或语音描述需求，AI 就能做出应用。测试了美甲预约、AI 生图、私域自媒体知识付费小程序三个场景，它表现出色，大幅压缩开发成本，助普通人跨过技术门槛。