「全模态生成」共找到 3894 篇相关文章
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。
Transformers来到了v5时代：从工具包到真理之源，AI时代的操作系统内核的极简进化论
Transformers v5发布，通过极简定义和极致互通成AI生态核心。它做减法重构代码、拓展训练流程、成推理引擎弹药库、提升量化为核心功能，连接训练、推理与部署，是AI生态通用语言。
Mistral 3发布，14B多模态小模型表现优异
Mistral AI第三代模型发布，含三个小型密集模型和稀疏混合专家模型Mistral Large 3，全用Apache 2.0许可。有多项技术亮点，Ollama等支持部署微调，还给出实用配置建议。
AAAI 2025 Oral | 火山引擎多媒体实验室提出VQ-Insight，AIGC视频画质理解大模型
火山引擎多媒体实验室与北大合作论文《VQ-Insight: Teaching VLMs for AI-Generated Video Quality Understanding via Progressive Visual Reinforcement Learning》入选AAAI 2026口头汇报。VQ - Insight用渐进式框架处理AIGC视频画质理解，实验表现卓越。
马斯克悄然发布Grok 4.1，霸榜大模型竞技场所有排行榜
马斯克发布Grok 4.1，同时霸榜大模型竞技场第一和第二。它在思考与非思考模式表现出色，还在新专家榜和职业榜霸榜。此外，它在情商测试表现佳，还加强快速回复、改善幻觉问题，已向所有用户开放。
Gemini 3“超前点映”效果炸场，巴菲特305亿重仓谷歌
Gemini 3还未正式发布，“超前点映”已亮相，网友实测其表现超强，能完成多种复杂任务。关注度火热，谷歌CEO还转发相关猜猜乐消息。同时，巴菲特305亿重仓谷歌，据传因提前体验Gemini 3。
AI Native 的影像公司们，颠覆赛道的机会来了！
文章指出过去50年影像公司通过推动坐标点向「计算」端移动创造商业变量。如今计算突破天花板，带来理解、增强、生成现实三层价值释放，解锁新场景，AI Native影像公司机会巨大。
5亿热钱砸向具身智能新玩家！地平线VP创业，余凯又投了
具身智能赛道火热，无界动力获5亿天使轮融资。其创始人张玉峰是前地平线副总裁，团队实力强。此轮融资将加速基础模型研发与专家模型落地，公司首代机器人平台已在两方向突破。
NeurIPS 2025｜VFMTok: Visual Foundation Models驱动的Tokenizer时代来临
传统视觉 Tokenizer 存在缺乏高层语义信息、冗余度高、表征混乱等问题。香港大学 CVMI Lab 和阶跃星辰 AIGC 团队提出 VFMTok，用预训练视觉基础模型构造视觉 Tokenizer，实验显示其性能优异。
“银发”与“芯”征途：中国“十五五”规划展望及其影响
本报告预测中国‘十五五’规划（2026 - 2030年）是国家动员蓝图，核心为韧性、自立和安全。战略从‘经济为主’转向‘安全与经济并重’等，还阐述对个人与市场影响，如职业规划和投资方向。