「图像输入」共找到 670 篇相关文章
Qwen-lmage-Layered：图片分层 指哪改哪
全新图像生成模型Qwen-lmage-Layered采用自研架构，将图片“拆解”成多个图层，各图层可独立操作。其提出新编辑思路，有RGBA - VAE等亮点，支持灵活迭代分解，能实现精准高效的图像编辑。
大模型全面爆发，所有榜一都是Gemini！谷歌一夜站到了台前
北京时间今日凌晨，Google I/O 2025 开发者大会开启。谷歌发布或升级系列 AI 工具与服务，如升级 Gemini 模型、推出编程智能体 Jules 等，还展示视频图像生成模型、搜索与购物模式升级，展现其在 AI 应用领域强势回归。
MeshCoder：以大语言模型驱动，从点云到可编辑结构化物体代码的革新
生成式AI在三维空间面临挑战，传统3D生成成果粗糙难编辑。团队推出MeshCoder，将三维输入翻译成结构化代码，有分部件生成等优势。介绍其实现路径、实验性能，也指出局限并展望未来。
Artificial Analysis 发布 2025 年 AI 现状 Q3 季报
Artificial Analysis发布2025年Q3 AI现状报告，揭示五大关键趋势，如推理模型占智能榜单前十、智能体能力突破、开源模型发布创新高、图像视频技术主流化、原生语音模型达生产级，还将举办简报会。
可能是目前效果最好的开源生图模型，混元生图3.0来了
腾讯混元发布并开源原生多模态生图模型混元图像3.0，参数规模80B，是参数量最大的开源生图模型，也是首个开源工业级原生多模态生图模型，效果对标业界头部闭源模型。文中介绍其技术方案、测评效果等。
The Batch: 938 ｜ Gemini 的音乐生成器
Google将音乐生成器Lyria 3加入Gemini和YouTube，它接收文本或图像生成30秒音频，支持多语言歌词。在质量和遵循提示上优于前身，采取版权保护措施，对特定用户免费或提供高额度使用。
EMNLP2025 | 解耦视觉与推理，港大探索视觉语言模型"眼智分离"新范式
当前大视觉语言模型处理复杂推理任务时，常过分依赖语言知识，忽视图像关键信息。港大等团队提出ProReason框架，其蒸馏的ProReason - VL和ProReason - Q3模型性能提升显著，为LVLMs发展提供方向。
Sora 2瑟瑟发抖！通义万相2.5放大招：一句话出1080P电影，音画精准同步
云栖大会上通义万相2.5系列模型亮相，包含四大模型，视频生成模型实现音画同步突破，降低电影级视频创作门槛。它创作能力全方位升级，支持多种模态输入，采用原生多模态架构。
百度搜索变天了：怎么搜索你们定
百度 App 搜索框大改版，升级为智能框，支持多模态输入，降低使用门槛。还推出多项功能，如百看、智能创作、深度搜索等，接入 MCP 服务，推动产品能力多方面转变，探索新盈利模式。
1万tokens是检验长文本的新基准，超过后18款大模型集体失智
Chroma团队研究发现，将上下文扩展至1万tokens，18款主流大模型集体“失智”，“智商”非均匀下降，在一些节点会断崖式下跌。研究还设计四项对照实验，证明LLMs性能随输入长度增加显著且非均匀下降。