「可控视觉生成模型」共找到 2788 篇相关文章
中科院甩出多模态“核弹”！类GPT-4o多模态模型开源！支持语言-视觉-语音任意组合交互！
中国科学院计算技术研究所（ICTNLP）开源类GPT - 4o多模态模型Stream - Omni，支持文本、视觉和语音任意组合交互，核心是高效模态对齐技术，少量多模态数据即可训练，有多种使用场景。
长文本生成迎来新突破：拓元智慧推出 DrDiff ，实现效率与质量双提升
拓元智慧联合多团队开发出 DrDiff 框架，解决长文本生成中效率与质量难兼顾问题。其核心是“动态化”，有分层稀疏注意力、动态专家调度、语义锚点状态三个创新组件，经测试表现良好，未来应用值得期待。
马斯克xAI正式入局世界模型，目标：明年搞出个AI生成的大游戏
马斯克的xAI入局世界模型开发，对手是Meta和谷歌等。其从英伟达挖专家，目标是开发先进AI系统，还计划明年底前发布AI生成游戏。不过构建世界模型挑战大，游戏行业有人对此谨慎。
告别评估乱象！首个视觉解释综合性基准发布，附人类真值 | KDD'25
埃默里大学团队推出首个视觉解释基准Saliency - Bench，构建8个任务的数据集，提供标准化评估流程与开源工具包，解决评估缺乏标准等问题，推动可解释AI向可靠、透明发展。
500美元刷新SOTA！训练成本砍到1/200，华人团队重构视频生成范式
香港城市大学等团队发布图像 - 视频生成模型Pusa V1.0，在基础大模型上引入VTA机制，用3860对视频 - 文字数据、约500美元微调，在I2V超越Wan - I2V - 14B实现SOTA，还解锁零样本任务能力。
谷歌AI Studio大更新：推出全新“vibe编程体验”，一键生成AI应用,好用到爆
谷歌AI Studio发布全新vibe编程体验，可一键生成AI应用。基于Gemini API，启动界面有功能建议，还有“手气不错”按钮。构建问答游戏不到1分钟，免费且可编辑代码，还有AI建议功能，适合小白。
看完Kimi K2.5技术报告，它的视觉Agentic真给我惊到了
Moonshot AI发布Kimi K2.5技术报告，该模型将文本和视觉打通，有并行执行的智能体集群系统。它采用Joint Training，提出“Zero-Vision SFT”，用MoonViT - 3D处理图像和视频，开源后受欢迎，展示通用智能体可能。
让视觉语言模型像o3一样动手搜索、写代码！Visual ARFT实现多模态智能体能力
上海交大等团队推出多模态智能体训练方法 Visual-ARFT，让视觉语言模型有「工具智能体」能力，还开源项目。它能自动调用工具、拆解任务，团队构建 MAT-Bench 评测，其在多任务超 GPT-4o。
5Y View｜如何打造真正有用的AI产品？生成式AI改变的创业规则
本文围绕如何打造真正有用的AI产品展开，以Granola为例，阐述生成式AI领域创业需新打法，如不浪费时间解决即将消失的问题、利用边际成本创造机会、重视上下文及聚焦特定场景等。
下一代目标检测模型：3B参数MLLM Rex-Omni首度超越Grounding DINO，统一10+视觉任务
IDEA研究院团队用3B参数的Rex - Omni打破MLLM目标定位精度僵局。它统一视觉任务，结合坐标编码与强化学习，在多项检测基准超Grounding DINO等，解决定位和行为缺陷，为MLLM成下一代检测模型提供方案。