「图像思考」共找到 1082 篇相关文章
Coding Agent 的一个啊哈时刻
作者翻用Codex在SGLD做Qwen - Image/HunyuanVideo的modelopt fp8支持的记录，发现Coding Agent思考过程与人类思路高度一致，如对比中间图和结果图判断量化精度，Infra领域核心技能或被其解决。
Poe：DeepSeek使用率下降50%，快手崛起、OpenAI暴涨
2025年春季，Poe发布AI模型使用趋势报告。DeepSeek使用率降超50%，OpenAI因文生图功能暴涨。文本、视频、推理、图像和音频5大领域中，各模型表现不一，如快手Kling家族、谷歌Imagen 3家族等有亮眼表现。
国产AI视频炸了！SkyReels-V3三大功能重磅开源，1张图生成逼真视频
昆仑天工SkyworkAI团队开源多模态视频生成模型SkyReels-V3，它能在一个架构内搞定参考图像转视频、视频延长、音频驱动虚拟形象三大核心能力，超越主流商业模型，且真正开源。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
Midscene.js 实战与源码剖析：如何重塑 UI 自动化
本文介绍Midscene.js这款基于AI的下一代UI自动化工具，剖析其设计动机、架构、原理及源码，结合业务场景分享问题与思考，还对比类似工具，给出试用配置和使用建议。
确认！DeepSeek多模态AI已经开测
DeepSeek研究员陈小康、陈德里确认其V4视觉模式开始灰度测试。更新后出现识图模式，具备真实图像理解能力。陈小康是多模态研究组负责人，陈德里负责语言模型等核心方向，V4可谓满血归来。
Lumina-mGPT 2.0：自回归模型华丽复兴，媲美顶尖扩散模型
上海人工智能实验室等团队提出Lumina - mGPT 2.0自回归模型，统一多种图像任务。它采用独立训练架构、统一多任务处理框架和高效推理策略，实验表现优异，后续将优化采样时间并扩展至多模态理解。
阿里通义发布Z-Image非蒸馏版基础模型版本，支持完整CFG和负向提示
阿里通义发布Z-Image基础图像生成模型，采用单流扩散Transformer架构，具核心创新技术。它是非蒸馏模型，支持完整CFG和负向提示，注重输出多样性和创意控制，已在Hugging Face开放下载。
年底，国产开源LLM又迎来一波大爆发：Qwen、美团、智谱、腾讯、百川
年底国产开源LLM大爆发，抱抱脸热榜Top10占一半。介绍了Qwen3 - TTS、LongCat - Flash - Thinking - 2601等多个模型，各有亮点，如Qwen3 - TTS覆盖多语种，LongCat支持重思考模式。
小展直击爆款毕设幕后！AI 能偷走人类的艺术灵魂？
最近AI绘画风很大，有人喊“人类要失业”，但郭奕彤带着《合成图像家庭》站出来打脸。他用碳笔勾勒‘毕加索版’大耳朵图图，让AI‘打辅助’，还给电视装‘随机盲盒’系统定制影像。