「多模态编辑」共找到 1122 篇相关文章
众所周知视频不能P？北大施柏鑫团队、贝式计算CVPR研究：视频里轻松换衣服、加柯基
视频编辑难度高，传统流程繁琐，现有AI方法有局限。北大施柏鑫团队联合贝式计算等提出VIRES方法，能实现视频主体多种编辑操作，还标注VireSet数据集。其在多指标超现有SOTA模型，团队还探索全景级可控视频生成。
反超Nano Banana！OpenAI旗舰图像生成模型上线
OpenAI发布图像生成模型GPT - Image - 1.5，有更严谨指令遵循、精确编辑等亮点，速度快4倍。玩法类似Nano Banana，在指令遵守和精确编辑上有提升，将在ChatGPT面向所有用户推出，价格下降。但在世界理解能力上遭质疑。
Qwen3.6-27B 开源：小小身材，超级码力
阿里云宣布开源 Qwen3.6-27B 多模态模型，支持多模态思考与非思考模式，在智能体编程方面超前代旗舰 Qwen3.5-397B-A17B。它已在 Qwen Studio 上线，开源权重可从 Hugging Face 和 ModelScope 下载，阿里云百炼 API 即将支持。
GPT-5超越人类医生！推理能力比专家高出24%，理解力强29%
最新研究显示，GPT - 5在医疗领域处理多模态信息能力出色，在多模态测试中推理和理解得分比GPT - 4o分别提高近30%和36%，比人类医生还高。其能力提升源于端到端多模态架构，但现实应用还需更多实战考验。
3D领域的NanoBanana也来了，万物皆可用嘴操控。
3D领域的hyper3D推出Rodin Gen - 2，是首个能用嘴编辑3D模型的AI 3D产品。用户可上传三方模型修改编辑，还能图生3D。用嘴改3D能做局部可控修改，适合专业生产管线。
Meta亿元天团首个大模型交卷！余家辉宋飏Jason Wei耗时九个月，一雪Llama前耻
Meta超级智能实验室耗时9个月推出原生多模态模型Muse Spark，发布后股价拉升。它让Meta在第三方测评中赶上第一梯队，虽在编程和长时间自主运行有差距，但在多模态理解等方面表现突出，不过也有编程翻车情况。
刚刚，DeepSeek全新多模态技术开源！
DeepSeek联合北大、清华开源多模态技术及论文，提出“视觉基元推理”框架，解决MLLM指代鸿沟问题。基于DeepSeek - V4 - Flash构建的模型，性能比肩GPT - 5.4等。论文还介绍架构、训练流程等。
边画边想！多模态Reasoning迎来巨大提升！
论文指出文本无法精准表达空间关系，现有视觉语言模型（LVLM）在空间推理上是短板。ViLaSR让模型直接画图推理，经三阶段训练，在五大空间推理测试中表现出色，还开源资源，有望带来机器认知升维。
多模态爆发之后，谈 AI、IP 与漫剧
文章围绕AI漫剧展开，讲述其兴起动因，如技术突破、成本降低等；探讨IP创作该选成熟IP还是新IP；展望未来，认为它可能成主流，但要解决内容和技术难题；还提及工具平台与内容收益问题。
让扩散模型「可解释」不再降质，开启图片编辑新思路
过去三年扩散模型席卷图像生成领域，但可解释性研究是‘黑箱’，且现有尝试常致性能下降。香港中文大学与上海人工智能实验室团队提出TIDE框架，可解释且不降质，还带来新图像编辑方式。