「可灵3.0 Omni」共找到 6144 篇相关文章
Vercel 开源 json-render！短短 4 天狂揽 7500 Star，这才是 AI 生成 UI 的终极解法！
Vercel 开源的 json - render 4 天获 7500 Star，解决生成式 UI 不可控问题。采用‘AI → JSON → UI’公式，结合‘约束’与‘流式’机制，还有反向生成源码功能，介绍了快速入手办法与适用场景。
“心内推理”：一种动态多模态潜在空间推理范式 | 直播预约
当前多模态大模型推理效率低、稳定性不足。本次分享将介绍DMLR，它无需额外训练，仅在推理阶段生效，通过在潜空间优化潜在思考token、引入关键视觉信息，实现高效稳定的多模态推理。
压缩之外，Visual Tokenizer 也要理解世界？
MiniMax和华中科技大学发布视觉tokenizer新研究VTP，引发业界热议。该研究揭示传统仅以重建为目标的视觉tokenizer缺乏高层语义表示，提出在预训练中引入语义理解，还发现Scaling Law现象，虽有争议但为研究提供新视角。
Gemini AI /Nano Banana Pro图像无损去水印工具
这是基于Javascript的纯浏览器端Gemini AI图像无损去水印工具，用反向Alpha混合算法，有纯浏览器端处理、隐私保护等特性，介绍使用方法、算法原理等。
奥特曼怕了！GPT-5.5「大蒜」决战谷歌，红色警报紧急拉响
三年前ChatGPT让谷歌恐惧，如今OpenAI被谷歌逼得拉响‘红色警报’。OpenAI计划发布新推理模型，‘Garlic’预训练有突破，还启动下一代模型。OpenAI调整策略，聚焦提升ChatGPT体验。
刚刚，ICCV最佳论文出炉，朱俊彦团队用砖块积木摘得桂冠
10月22日凌晨，ICCV揭幕本年度奖项。卡耐基梅隆大学朱俊彦团队《Generating Physically Stable and Buildable Brick Structures from Text》获最佳论文奖，提出BrickGPT；以色列理工学院《FlowEdit: Inversion-Free Text-Based Editing Using Pre-Trained Flow Models》获最佳学生论文奖。
阿里重磅开源：端到端VLM文档解析模型，图片直出结构化HTML！
在AI文字识别类应用中，文档解析常不尽人意。阿里开源端到端文档解析模型Logics - Parsing，基于VLM，能图片直出结构化HTML，有统一、智能、精细等亮点，还给出使用步骤。
阿里最新开源王炸Agent！性能全面SOTA！
阿里WebAgent更新频繁，基本一月一版。它是类似DeepResearch的通用智能体，历经WebWalker到WebWatcher多阶段演进，各阶段解决不同问题，如网页导航、自主信息搜集等，还不断优化训练数据生成与处理方式。
微软发布5大AI Agent模式：一键解锁AI员工，打造智能体工厂
今天凌晨微软官网发布5种常用Agent模式助用户开发自动化AI员工。智能体比传统自动化工具更具优势，能推理协作等。各模式都有应用案例，且Azure AI Foundry支持多Agent模式开发。
SRO架构赋予Qwen-2.5-VL推理能力，性能飙升16.8%
文本领域推理模型成就大，但扩展到多模态大语言模型遇阻力，如冷启动初始化不足等。为此提出 SRO 三阶段训练框架，经测试，ReVisual - R1 平均性能提升 16.8 个百分点。