「混元图像2.1」共找到 3698 篇相关文章
12ms！一个仅8M的语音停顿检测模型
语音助手准确判断用户是否说完是挑战，Smart Turn将决策过程缩至12毫秒。其v3.1版有改进，新增数据集提升英语识别准确率，推出未量化版本推理更快，8MB模型性能优，已在HuggingFace开源。
告别VAE压缩损耗，南京大学用DiP让扩散模型回归像素空间，实现10倍加速与SOTA级画质
南京大学、腾讯优图实验室和新加坡国立大学发布DiP框架，即将开源。该框架不依赖VAE，仅增0.3%参数量，推理提效10倍，在ImageNet获1.79的FID分数，解决扩散模型在像素空间难兼顾质效的问题。
中国K字签证：全球科技人才争夺战中的战略博弈
中国于2025年10月1日启动K字签证，旨在争夺全球青年科技人才。其“无需雇主担保”模式赋予申请人高度自主性。该签证对标美国H - 1B签证，目标是STEM领域人才，但面临政策细节模糊、国内舆论反弹等挑战。
群核科技开源两款空间大模型，想解决 Genie3 没能彻底解决的问题
2025年8月25日群核科技举办TechDay，发布专注3D室内场景的空间大模型，开源SpatialLM 1.5和SpatialGen。两款模型分别解决理解交互和空间一致性问题，有实际应用价值，还介绍了数据飞轮效应及模型相关问答。
首个为手机而生的通用 Agent？！苹果做不到的事，“野路子”智谱抢先实现了
苹果预计 2026 年升级 Siri 实现自主行动，但完整落地的执行型 Agent 未推出。8 月 20 日智谱发布 AutoGLM 2.0，称是全球首个可在手机用的 Agent，开创‘Agent + 云手机 / 云电脑’范式，能代理操作高频应用。
一天 15k 星，代码生成碾压 Claude，连 Cursor 都慌了？谷歌 Gemini CLI 杀疯了
谷歌发布 Gemini CLI，是其 AI 助手终端版，有慷慨免费使用配额。它开源且功能多，支持多平台。接入 Gemini 2.5 Pro 通用模型，开发者反馈其代码生成和修复能力强，谷歌在代码能力上提升明显。
错过它＝落伍！只用一张照片+14秒，腾讯开源 HunyuanVideo-Avatar 带你玩转多角色数字人
HunyuanVideo-Avatar 是腾讯混元团队最新开放的多模态数字人生成模型。上传一张人物图片，再配上一段音频，模型即可在约 14 秒内输出分辨率最高 720p、情绪可控、动作丰富且支持多角色同屏的短视频。
DeepSeek 把 Harness 开源了：模型、工具、Agent Loop 全是插件
8月13日，DeepSeek面向全球开发者开放DeepSeek Harness开发者预览版v0.1并开源代码。其特色是一切皆插件，提供四种运行模式，内置多Agent系统，有创新但编排范式未突破，还采用仅追加的会话日志。
AI公司烧不起Token了！国产Agent杀出，逼近Opus 4.6还免费
Token成AI时代“电力消耗”，企业成本压力大。昆仑万维推出高性能Agent模型SkyClaw - v1.0及轻量版，性能逼近顶流，价格低且限时免费。经实测能力强，其训练体系独特，未来还将开源。
字节版龙虾架构火爆GitHub！开源获35k+ Star，内置Skill全家桶，原生适配飞书
字节开源Deer - Flow2超级智能体管理框架，登上GitHub Trending榜首，获35.3k Star。它采用模块化多智能体架构，主打开箱即用，扩展性强，适配多种IM渠道，还介绍了核心能力、部署方式等。