「开源视觉模型」共找到 9083 篇相关文章
今天，好像见证了属于SD时代的消亡。
liblib宣布升级到2.0，作为国内最大SD生态开源社区，其转型宣告SD时代落幕。曾几何时，SD让普通人感受AI绘图魔力，如今技术迭代，AI绘图门槛降低，新模型受大众青睐。
中国AI「星际穿越」！新智元十周年峰会预言ASI终局：未来十年指数级加速
新智元十周年峰会以「新天终启 万象智生」为主题，众多大咖齐聚。王海峰、赖俊杰、王小川等分享观点，还开源模型、发布奖项。大家认为AI发展虽有波折，但2027年将达ASI临界点，智能体大爆发。
北大卢宗青团队新作：超 70% 实机成功率，支持语言指令的功能性抓取系统
现有抓取研究多在稳定性层面，而功能性抓取更接近真实世界的智能。北大卢宗青团队提出DemoFunGrasp方法，对功能性抓取重新建模，在仿真与真实场景均超70%成功率，还引入视觉语言模型让机器人理解语言指令。
OpenAI偷袭，谷歌掀桌！2026开年第一场AI大战太精彩
OpenAI悄悄上线ChatGPT Translate挑战谷歌翻译，该工具支持超50种语言，有翻译后「二次加工」能力，但功能尚不完善。谷歌则高调开源TranslateGemma模型，支持55种语言，效率惊人，12B参数超越27B基线。
Meta Shuffling的MoE Grouped GEMM kernel benchmark
作者拷贝fbgemm开源的moe grouped gemm kernel，修复小bug后与SGLang的Grouped GEMM Triton Kernel对比，结果显示fbgemm在MoE模型上性能提升显著，可应用到SGLang的ep - moe的grouped gemm kernel中。
告别「面瘫」配音，InfiniteTalk开启从口型同步到全身表达新范式
传统video dubbing技术有局限，新兴模型也有问题。美团视觉智能部研发的InfiniteTalk引入‘稀疏帧video dubbing’，实现口型、表情、肢体与音频自然对齐，解决长视频生成难题，技术已开源。
“同事.skill”不用写了，爱马仕 Hermes 主动“蒸馏”你，还让开发者集体抛弃 “龙虾”？！
近日，Hermes Agent 在国内爆火，获超 3.9 万 stars。它是单 Agent 架构，核心是学习循环，记忆分层管理。其网关功能强大，状态可跨会话留存。背后的 Nous Research 目标是打造抗衡 OpenAI 的开源模型，还引入区块链解决算力问题。
一张图片+ 一条音频，照片开口说话唱歌，多角色、情绪控制都拿捏了。
腾讯混元联合腾讯音乐推出 HunyuanVideo - Avatar 模型，上传照片配音频就能生成动态视频。支持多风格角色、情绪控制和多角色对话，单角色模式已开源，技术有创新，在多数据集表现优。
我们对 Coding Agent 的评测，可能搞错了方向
用户对 Agent 不满常因它「做得不好」，不遵循指令和规范。当前主流评测体系以结果为导向，与真实场景错位。MiniMax 开源 OctoCodingBench 评测集，结果显示模型过程规范遵循不足，未来训练需引入过程监督。
3000块钱，这支中国团队把ChatGPT成功的“秘密”用在了机器人训练上
国内穹明智能团队推出千元级手持采集系统 UMI ver.2 并开源。该系统精度达毫米级、能双臂协同，成本低、部署快。团队认为数据是关键，还计划搭建机器人数据 infra，预计新模型范式很快出现。