搜索：多模态生成与理解统一

「多模态生成与理解统一」共找到 3413 篇相关文章

VAE再被补刀！清华快手SVG扩散模型亮相，训练提效6200%，生成提速3500%

前脚谢赛宁宣告VAE在图像生成领域退役，后脚清华与快手可灵团队就推出无VAE潜在扩散模型SVG。它通过语义+细节双分支+分布对齐，实现多任务通用，训练提效62倍、生成提速35倍。

文章介绍开源工具 Pixelle-Video，它能让视频创作变得简单。输入主题，它可自动撰写文案、生成配图、合成语音、添加音乐并合成视频，还支持多种功能和大模型，有多种使用和付费方案。

字节Seed与斯坦福等机构推出新模型，其新注意力机制MoC能让长视频生成计算量降低85%，质量不减且保持连贯性。团队将视频生成定义为上下文检索任务，提出MoC机制并阐述实现方法。

华中科技大学慢工团队提出少样本工业生成模型SeaS，依托U-Net，只需1 - 3张训练样本，单模型同步实现多样异常生成、正常产品合成及精确异常掩码标注，突破现有方法局限，在主流数据集上超越SOTA。

现有方法依赖自然语言规划生成仓库易失效，微软提出Repository Planning Graph (RPG)，以图谱替代文字规划。基于此的ZeroRepo框架能让仓库生成可控、可扩、可验证，在新基准RepoCraft上表现远超Claude Code。

小红书研究团队提出 HyperEyes 模型，打破现有多模态搜索智能体串行处理模式困局。通过全栈设计实现并行多模态搜索范式跃迁，在多基准测试中表现优异，证明准确率与效率可协同进化。

OpenMAIC 是清华开源的 AI 互动课堂平台，能将主题或学习材料快速转化为完整互动学习体验。它把课堂拆成多种交互组件，架构设计出色，支持多 LLM 服务商，还能在聊天应用生成课堂。

火山引擎原动力大会发布豆包大模型1.6，它是国内首款多模态SOTA模型，支持256k上下文长度。实测中它解答高考数理化带图大题表现出色，还具备图像识别、视频理解、GUI操作等能力。此外，火山引擎还推出系列工具和平台助力企业。

在多模态大模型发展中，多教师知识蒸馏成提升性能关键，但教师模型存在“概念漂移”问题。悉尼科技大学团队提出 APO 框架，将模型间“漂移”转化为动态负约束，解决多模态大模型多师蒸馏概念对齐难题，工作被 ICML 2026 接收。

港科大（广州）和字节联合推出开源框架ComfyMind，它是通用视觉生成框架，能统一处理主流视觉生成任务。其性能超现有开源方法，媲美GPT - 4o - Image，还介绍了架构、接口等及性能评估情况。