「图像理解与生成」共找到 2990 篇相关文章
Thinking Machines首款产品重大更新：K2 Thinking、Qwen3-VL都可以微调了
由前OpenAI CTO创办的Thinking Machines Lab推出的首款产品Tinker API有重大更新。取消候选名单面向所有用户，还可微调Kimi K2 Thinking，新增兼容OpenAI API接口，支持Qwen3 - VL视觉输入，降低模型训练门槛。
AAAI 2026 | 革新电影配音工业流程：AI首次学会「导演-演员」配音协作模式
现有AI配音缺“人情味”，因跳过“导戏”“揣摩”环节。内蒙古大学刘瑞教授团队在AAAI 2026提出Authentic - Dubber框架，模拟真实配音流程，实验显示其情感表达优势明显，提升了AI配音竞争维度。
视觉思维链全新架构，加州大学让多模态大模型有了灵性，整体性能提升5.3%
加州大学伯克利分校等团队提出视觉思维链（CoVT）架构，让视觉语言模型推理时生成连续视觉信号。它内化轻量级专家能力，采用对齐策略和四阶段训练，实验显示性能提升，还具可解释性。
新玩法！Karpathy周末手搓“大模型智囊团”应用：各大LLM同台互评，代码已开源
Andrej Karpathy周末手搓Web应用llm - council，让多个大模型像顾问般提供建议。查询通过OpenRouter分发给多个大模型，它们互评后由‘大模型主席’生成最终回复，代码已开源。
腾讯混元数字人团队发布Moral RolePlay基准，揭秘大模型的「道德困境」
腾讯混元数字人团队和中山大学推出「Moral RolePlay」测评基准，评估大模型扮演多元道德角色能力，揭示顶尖AI模型演不好反派，暴露模型理解社会心理复杂性的局限，还给出未来对齐技术方向。
李飞飞最新长文：AI的下一个十年——构建真正具备空间智能的机器
李飞飞发表长文《From Words to Worlds: Spatial Intelligence is AI’s Next Frontier》，解读空间智能，阐述构建具备空间智能机器的核心框架，探讨其应用场景，认为这是AI下一个前沿。
内存直降50%，token需求少56%！用视觉方式处理长文本
在NeurIPS 2025论文中，南京理工大学等校研究团队提出VIST框架，为大语言模型长文本高效推理提供视觉解决方案。它模仿人类阅读机制，让模型具备选择性阅读能力，减少Token需求和内存使用。
刚刚，英伟达拟10亿美元砸向这家AI编码创企！Copilot 技术大佬带队、成立两年估值近千亿
10月30日消息，英伟达拟向AI初创公司Poolside投资最高10亿美元。该公司由微软技术大佬带队，定位生成式AI与软件开发交叉领域，开发自研模型，有独特强化学习方法和技术布局。
CapRL：用强化学习突破Image Captioning训练瓶颈，3B模型性能媲美72B
上海人工智能实验室联合团队发布 CapRL，首个将 DeepSeek - R1 强化学习策略用于 Image Captioning。CapRL - 3B 模型在图像描述任务媲美 Qwen2.5 - VL - 72B，已开源，团队持续迭代优化。
国产开源LLM大爆发，Qwen、Minimax、美团、腾讯~
近期国产开源LLM大爆发，Qwen3-VL家族新增模型，有技术亮点且可免费商用；MiniMax-M2为编码和代理任务打造；美团LongCat-Video、LongCat-Audio-Codec各有专长；腾讯混元世界 - 镜像用于3D几何预测。