「混元图像2.1」共找到 3645 篇相关文章
实测GPT Image 1.5，拼尽全力还是没能打败Banana。
作者实测OpenAI新发布的GPT Image 1.5，将其与Google的Banana Pro对比，从信息准确性、真实质感、精准编辑、世界知识四个维度评测，发现GPT Image 1.5有提升但仍有不足，Google进化速度惊人。
从视觉压缩，到视觉记忆：MonkeyOCRv2以重建保留文档页面证据
文档视觉编码器对LLM理解和推理很重要。MonkeyOCRv2提出‘重建即文档视觉记忆’，通过多组实验验证其有效性，还发布MonkeyDoc v2数据集，推动公平比较的研究文化。
「AI助手」真来了？谷歌牵头推进Agent支付协议AP2
近日谷歌宣布推出 Agent 支付协议 AP2，这是开放共享协议，为 Agent 和商家交易提供通用语言。它是 A2A 和 MCP 协议扩展，聚焦解决授权、真实性、问责三大问题，还支持多种支付类型。
LightX2V Ulysses Attention 实现学习笔记
本文记录了LightX2V中Ulysses Attention的实现方式与张量形状推导。在多模态/视频场景，其实现可概括为一种layout变换，还提供`enable_head_parallel`和`use_fp8_comm`选项，效果受运行环境等因素影响。
BLIP3-o统一图像生成与理解，多模态融合趋势显现
BLIP3 - o致力于统一图像理解和生成、提升生成质量和效率。它融合自回归与扩散模型，采用CLIP + Flow Matching架构等技术亮点。经训练，在图像理解和生成任务表现出色，指令微调效果显著。
Claude Fable 5.1与GPT-5.6社区一手实测
Anthropic的Claude Fable 5.1刚上线，社区就将其与OpenAI的GPT - 5.6 Sol实战对决。采用同一提示词等严苛规则，结果Fable 5.1细节碾压但有bug，成本高；GPT - 5.6 Sol成本低、风格稳定。还给出选型参考。
OpenAI深夜双王炸！GPT-5.1 Pro紧急发布，降维打击Gemini 3
OpenAI同一天发布GPT-5.1 Pro和GPT-5.1-Codex-Max。前者向Pro订阅用户推出，主打「情商智商」双强；后者在Codex平台上线，专为「长时间、高强度」开发任务设计，采用「压缩」机制，表现出色。
Claude 5.1来了，但最强能力只向少数机构开放
9月1日，Anthropic发布Claude Fable 5.1和Claude Mythos 5.1，二者用相同底层模型，区别在安全限制和开放范围。Fable面向订阅用户和企业，Mythos仅向少数审核机构开放，此次还尝试新的开放方式。
从 VLM 到 VLA，智驾距离跨过「L2.9999」还有多远？
2025 年上半年，国内智驾安全受关注，浮夸宣传行不通。文章探讨厂商智驾宣传卡「L2.9999」玄机、端到端成主流原因等，分析了 L2 与 L3 区别及事故责任界定，还提及车企应对策略。
DeepSeek-R2！？神秘模型惊现竞技场，真实身份引网友猜测
大模型竞技场秘密上线神秘模型steve，对话中它称来自DeepSeek。网友热烈讨论其身份，有R2、V4等猜测。同时，因CEO不满及可能缺芯片，DeepSeek的R2再度延期。