「视觉输入」共找到 881 篇相关文章
Qwen2.5VL新玩法，看电影讲故事
本公众号关注AI前沿技术，分享实战案例与课程。介绍视觉叙事技术及挑战，基于Qwen2.5 - VL 7B模型微调Qwen Storyteller，构建StoryReasoning数据集，还给出实战代码及相关链接。
Qwen2.5VL又多一个娱乐场景，看电影讲故事
文章聚焦Qwen2.5VL新娱乐场景“看图讲故事”。介绍视觉叙事目标、挑战，讲述基于StoryReasoning数据集微调Qwen Storyteller模型的解决思路，含核心技术，还给出实战代码及相关链接。
Qwen 3 VL 模型已并入 llama.cpp，ollama同步支持
近日，Qwen 3 VL 系列模型合并到 llama.cpp 项目，支持图像输入和多轮对话，解决了架构兼容性问题。功能已入主干分支，运行需足够资源。Ollama 最新版同步支持其本地化。
GPT-5.4据传下周上线！200万上下文窗口+持久化状态，告别频繁遗忘
OpenAI工程师在GitHub仓库意外泄露GPT - 5.4，相关信息流传后被撤回。据传下周上线，其有200万Tokens上下文窗口与持久记忆，支持全分辨率视觉直读，将引发硬件内存之战。
把短视频做成流水线的AI剪辑神器
Pixelle-Video是一款AI剪辑神器，输入主题就能自动完成视频创作，零门槛。它采用模块化设计，流程清晰，各环节可灵活定制。支持多种AI模型、TTS方案，有丰富功能亮点。
微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！
2025 年大家致力于解决 AI「嘴巴」问题，追求实时流式对话。微软刚开源轻量级 TTS 模型 VibeVoice-Realtime - 0.5B，参数虽小但能边输入边朗读，有诸多特点和广泛应用场景。
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
Claude Code 学习最佳实践：NotebookLM 生成全套学习视频+卡片+测试题
文章介绍用NotebookLM学习Claude Code的最佳实践。有人将36篇Claude Code资料“喂”给它，生成含音视频的学习资料库。NotebookLM能多种形式输出，支持多类型输入，值得纳入日常工作流。
Vibe Coding 继续：这次，AI Studio 让你可以“画着改UI”
谷歌在AI Studio中引入注释模式，可乱涂乱画用注释命令修改，能更自然地更改应用，与Gemini进行直观视觉对话，还提到Cursor等IDE中类似功能实现方式。
AI 模特时代到来：字节x清华推出商用级视频换装模型DreamVVT，保真度显著领先SOTA
字节跳动智能创作团队联合清华推出视频换装模型DreamVVT，基于Diffusion Transformer构建，用两阶段设计解决复杂场景痛点，支持多种输入，在保真度和时序稳定性上领先SOTA。