「文本转图像」共找到 940 篇相关文章
5B参数+4060Ti，10秒出图，全流程开源可复现！补齐统一多模态生成编辑的开源版图，让高质量图像生成真正变得更轻量、更普及
近日，多机构联合发布统一多模态生成编辑模型DeepGen 1.0，仅5B参数，集成五大能力，4060ti 16G上10秒出图，多项指标超大4倍工业级模型。团队开源全流程代码与数据，可从零复现。
17岁高中生做出AI神器：看一下视网膜，就能识别自闭症和多动症
美国17岁高中生Edward Kang开发AI工具RetinaMind，通过视网膜图像识别自闭症和多动症，准确率达89%，还能分析疾病基因机制。该成果助他获2026年Regeneron科学天才奖二等奖及奖金。
中科院甩出多模态“核弹”！类GPT-4o多模态模型开源！支持语言-视觉-语音任意组合交互！
中国科学院计算技术研究所（ICTNLP）开源类GPT - 4o多模态模型Stream - Omni，支持文本、视觉和语音任意组合交互，核心是高效模态对齐技术，少量多模态数据即可训练，有多种使用场景。
Wan 2.6 发布，可以参考视频进行角色扮演 & 终于有积分了：每天 150
Wan 2.6发布，积分从每天10个提升到150个。更新了主演、多镜头叙事、图像生成等新功能，如可将参考视频角色放入新场景，简单提示自动生成多镜头叙事视频等。
Claude Code 能写十万行代码，读一篇公众号就废了
Claude Code 读链接能力弱，qiaomu - markdown - proxy 这个 Claude Code Skill 可解决。它按 URL 类型走不同通道抓内容转 Markdown，全程免费，安装简单，解决了 Claude Code 系统性短板。
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。
视觉优势还是语义依赖？揭秘 DeepSeek-OCR 高压缩率背后的真相
中科院等团队论文剖析 DeepSeek - OCR，通过实验揭示其高压缩率下准确率高或依赖语言先验。去掉语言先验，准确率暴跌；下游任务推理崩塌，长文本处理也有瓶颈。
苹果放王炸！开放大模型访问权、全家桶集成ChatGPT，人人能开发AI应用
苹果在“WWDC 2025”大会宣布在多设备集成Apple Intelligence功能，含ChatGPT图像生成等。开放基础模型访问权，开发者可开发适配应用。新功能将逐步开启测试，今年秋季部分用户可用。
OpenClaw现在可以直接生成视频了，支持12家视频模型提供商
Peter Steinberger宣布OpenClaw新版推视频生成功能，让Agent完成文本到视频流程。它集成12家视频生成提供商，异步生成，使用简单，支持丰富参数配置，官方文档见https://docs.openclaw.ai/tools/video-generation 。
HOIDiNi：一句话驱动虚拟人高精度操作物体
特拉维夫大学提出HOIDiNi，这是文本驱动的扩散框架，用于生成人体 - 物体交互动作。它引入扩散噪声优化，能兼顾真实感与物理正确性。不过它泛化能力待拓展、生成速度慢，未来需提升效率等。