「中文播客」共找到 304 篇相关文章
Qwen新开源，把AI生图里的文字SOTA拉爆了
通义模型家族新开源图像生成模型Qwen - Image，是通义千问系列首个图像生成基础模型。实测其对提示词理解到位，文字渲染高保真。它具备复杂文本渲染、一致性图像编辑能力，在多基准测试达SOTA。
大模型外挂“三维物体知识库”来了，大幅增强机器人长程自主操作能力
现有视觉语言大模型（VLM）能让机器人理解指令，但在操作中缺三维空间知识。近日研究提出 RAM 框架，它像“三维物体知识库”，为 VLM 补充空间知识，经 14 项实验验证其操作能力，还探索了在铰接与柔性物体操作中的应用。
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。
Wabi 创始人的 7 个预测火了，给 AI 而非人类做的数据库ARR 一年涨了6 倍
Wabi创始人Eugenia Kuyda《Consumer AI predictions》总结7个消费端AI产品预测，如无屏幕和全时监听设备难成功、2030年AI机器人细分、效果营销将死等。还有一给AI的数据库产品，ARR一年涨6倍。
统一视觉多模态与多任务！快手可灵与港科大团队发布视频生成模型，加速真实世界理解
港科大、港中文、清华和快手可灵团队提出全新视觉框架UnityVideo，统一训练多种视觉模态，让模型更懂物理规律，视频生成更真实可控，还实现零样本泛化，在多任务表现优异。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
首发丨美团悄咪咪公测 AI 袋鼠参谋 App
美团正在公测AI袋鼠参谋App，它是基于AI大模型决策能力的智能应用，依托海量门店信息和多年运营经验，覆盖4类经营场景，以“数据向决策的翻译服务”帮商家解决开店难题。
Liblib AI上线Kontext，门槛大幅降低！藏师傅手把手教你用它解决图片问题
FLUX的Kontext是强大的图像编辑应用，除不能写中文外近乎全能。Liblib AI上线FLUX Kontext，支持Web UI和Comfyui，无需本地跑Comfyui，还能结合Liblib生态处理图片。作者给出保姆级使用教程。
让AI学着“看菜下碟”！港中大等新框架让推理长度减少90%，准确率反增17%
香港中文大学等研究者提出TON选择性推理框架，使视觉语言模型能自主判断是否推理。该框架有两阶段训练机制，实验显示其让推理长度最多减90%，准确率还提升，有益模型部署。
开源一个非常漂亮的文章配图 Skill
作者将给文章配图的经验做成 `guizang-material-illustration` Skill 开源。它能把文章等内容变成带中文标签解释图，适配多种场景，解决配图难题，还做了多项优化，介绍了适用场景、安装使用方法。