「文生图扩散模型」共找到 7787 篇相关文章
谷歌Gemini Diffusion：1500 token/秒，快如闪电！
谷歌DeepMind在I/O 2025上推出实验性模型Gemini Diffusion，将扩散技术用于文本生成。它每秒能生成约1500个token，比Gemini 2.0 Flash - Lite快5倍，具备高响应速度、文本连贯性等优势。
效果逼真到让人窒息！开源Ctrl-Crash模拟车辆事故
近年来视频扩散技术在生成车辆碰撞真实场景时面临挑战，因驾驶数据集中事故样本稀缺。Mila团队提出Ctrl - Crash可控碰撞视频生成模型，支持反事实场景生成，但也存在一些局限。
北大、字节、中科院自动化研究所等提出图像并行生成新范式
北大、字节等团队发现多模态模型先思考后作画会降低图像语义保真度，因自回归架构有误差传播问题。为此提出并行多模态扩散框架MMaDA - Parallel，构建ParaBench基准，多项优化后在测试中击败Bagel。
一个重要的发布被忽略！Decart发布实时“Sora”，直播/游戏业迎来新变革
Decart推出全球首个实时、无限长度的AI视频模型MirageLSD，基于独创的“实时流扩散”技术。其响应时间低于40毫秒，攻克了“错误累积”和实现实时响应两大难题，还计划拓展应用及升级功能。
单向VLM变双向！人大斯坦福等提出MoCa框架：双向多模态编码器
人大、斯坦福等机构提出MoCa框架，将单向视觉语言模型转化为双向多模态嵌入模型。它通过持续预训练和异构对比微调，解决传统模型局限，在多模态基准测试中表现优异，尤其小规模模型性能突出。
看完智平方创始人郭彦东的这场演讲，我对 VLA 又有信心了
2026年具身智能赛道技术路线引争论，“VLA时代终结”论调扩散。智平方创始人郭彦东演讲回应，称VLA时代未终结，世界模型汇入VLA，关键变量是类脑架构，智平方技术成果和开源平台也证明VLA有生命力。
面壁小钢炮 VoxCPM-TTS：开源端到端 TTS，轻量高效低延迟
面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。
生成式视角重塑监督学习！标签不只是答案，更是学习指南 | ICML 2025
上海交大等机构团队在ICML 2025提出预测一致性学习（PCL），通过扩散过程消减标签信息，引入噪声标签，将标签学习分解为渐进式任务，实现标签信息复用。在多模态任务实验中，PCL表现优于传统监督学习。
ICML 2026前瞻：投稿翻倍背后，机器学习正在换挡
第43届国际机器学习大会（ICML 2026）7月6 - 11日将在韩国首尔举行，主题为‘Machine Learning for the Real World’。今年投稿量翻倍，接收率26.6%，还做了两项制度调整。论文反映出LLM推理、AI安全、模型压缩等趋势，中国研究者表现亮眼。
即梦图片4.0来了，我整理了10个好用到爆的进阶玩法。
字节即梦图片4.0背后是seedream4.0模型，与NanoBanana性能相当，但支持直出4K图、自由控比例、文生图审美和可控性强，中文字生成领先。文章整理了它在虚拟模特、换装等10个方面的玩法。