「文字整理」共找到 281 篇相关文章
端到端语音模型：从语音表征到模型架构
本文整理自阶跃星辰语音模型负责人杨学锐在2025年QCon全球软件开发大会的分享。介绍大模型对语音技术的重塑，涵盖识别、合成等方面；阐述端到端语音模型构建，涉及表征、架构、训推和任务；还提及模型评估方法。
2.2K Star！21 种手绘风一键调用，这个 GitHub 开源项目把画风漂移治好了！
AI生图领域，画风描述不稳定、换工具后风格漂移是常见痛点，该GitHub开源项目hand-drawn-styles整理了21套经验证的手绘画风提示词配方，工具无关适配各类Agent，可固定风格解决漂移问题，目前已收获2.2K Star。
当硅谷开始说 “打不过国内”丨五源孟醒
本文是五源资本合伙人孟醒2026年8月赴硅谷考察AI产业后整理的一手观察，记录了硅谷一线从业者对中美AI格局的最新判断，拆解不同AI方向的中美差距，分析Neo lab、数据产业的最新行业变化，信息密度高、参考价值强。
NUS Show Lab 寿政教授：打通自回归与离散扩散，打造下一代具身大模型底座｜ECCV 2026
本文整理自新加坡国立大学Show Lab负责人寿政教授在ECCV 2026的分享，团队研发融合自回归与离散扩散的Show-o/Show-2统一架构，解决多模态理解与生成融合痛点，延伸至具身智能领域，突破数据稀缺、推理延迟等核心瓶颈。
马斯克宣布：Grok学会看片了！无字幕看懂陶哲轩菲奖级难题
马斯克宣布Grok可分析任何视频。它能对伪造视频鉴假溯源，但也有处理画面靠字幕、有幻觉问题和效果不稳定的缺陷。实测中它能理解无字幕视频，还整理访谈内容。这功能虽便利，但引发人类能力退化担忧。
百度智能云 DuMate 测评：办公 Agent 教我用 Claude Code，效果如何？
百度智能云桌面级AI智能体DuMate于今年3月22日全量上线。本文对其进行测评，设计围绕GitHub项目的复杂任务，测试它在研究、整理、文件生成和展示化输出的表现，探讨办公Agent从内容提供商到办公搭子的转变。
谷歌Nano Banana Pro上线，深度结合Gemini 3，这下生成世界了
谷歌最新图像生成模型Nano Banana Pro（Gemini 3 Pro Image）上线，结合Gemini 3 Pro强大推理与知识，在控制力、文字渲染和世界知识方面升级，能生成高分辨率、一致性强图像，还支持创意操控、多语言文本生成等，多产品将上线。
“当年在OpenAI像在疯人院！”Jev作者完整访谈：全人类陪AI聊天的价值，不如程序员一个for循环
本文整理了前OpenAI核心研究员、Jev模型创始人Diogo Almeida的完整访谈，Diogo批判当前行业all in聊天大模型的路径偏差，推出专为程序决策设计、不做聊天交互的Jev模型，提出全新RLCD技术范式，倡导AI作为软件底层基础设施赋能自动化生产力。
6个电子牛马替我上班，腾讯马维斯好用吗？
5月20日腾讯上线AI助手马维斯，由六个AI Agent组成。经测试，它在定时任务、搜索整理、竞品分析等场景有表现，但也存在文件操作易出错、图片识别不稳定、分析深度不足等问题。其背靠腾讯生态有渠道优势，但需提升体验促使用户留存。
支付宝“阿宝”背后的 Agentic 终端：从对话到办事，xUI 如何重构 AI 交互
本文整理自蚂蚁集团支付宝AI端云交互负责人魏凤笛的大会分享，系统介绍支付宝AI入口产品“阿宝”背后的xUI技术体系，涵盖通信、交互、执行、多Agent协同四大核心方向，分享了大厂移动端Agent落地的工程实践与未来规划。