「视觉-语言生成」共找到 3485 篇相关文章
谷歌翻译新功能上线 iOS：支持任意耳机，实时听懂70+语言
谷歌翻译耳机实时翻译功能正式登陆 iOS，在 iOS 和 Android 端覆盖范围扩大，新增多国市场，支持超 70 种语言。打开 App 连接耳机即可实时听懂对方说话，适用于家庭和出行场景。
智谱联合清华开源多图参考视频生成模型，带来主体一致性新高度
合肥工业大学、清华大学和智谱开源多主体参考视频生成模型Kaleido。它用全新数据构建法和精巧架构，解决主角与背景混淆难题，实验显示其在多维度表现优异，超越现有开源模型。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
AI 会生成 PPT 之后，Runtime 决定了它能做多好
作者回顾PPT Agent发展，指出存在Agent理解操作文档及AI生成PPT表达单一的问题。提出Artifact Runtime概念，它让PPT可被持续操作，还能接管重复决策，但不能替代专业判断。
狂肝一周，测评十余款 PPT AI 生成产品的真实反馈
评估 Agent 产品能力复杂，以 PPT 生成为例，有 Agent 和模板化两种流派。作者选前者投票测评、后者全方位测试。给出方案，还推荐不同需求适用产品，附总榜单和细致体验描述。
最新发现！每参数3.6比特，语言模型最多能记住这么多
Meta、DeepMind等团队研究语言模型记忆容量，提出新方法估计模型对数据点的‘了解’程度，发现GPT系列模型约每个参数3.6比特，还提出模型容量等相关定律，激发社区多方面思考。
纯本地隐私绝佳，没网也能翻，30+语言支持！
日常常用翻译工具依赖云端，有隐私风险。开源离线翻译项目`Argos Translate`，基于Python开发，支持多语言互译，有多种使用形式。虽翻译精度略逊，但隐私性好、可自由部署，适合有安全需求的用户。
谷歌北大联手学术版Banana爆火，论文图表100%精确生成
谷歌与北大联手推出学术版PaperBanana，能100%精确生成论文图表，美观度和逻辑清晰度超原版。它由5个智能体分工协作，经实验在各维度超越传统基线方法，已在GitHub获上千star。
AI游戏生成迎来「机制觉醒」：可自我进化的玩法设计师
文章指出当前大模型生成游戏存在玩法创新不足、评分虚高等问题。CreativeGame技术关注此问题，通过先写设计文档、激发创意、设计记忆架构等方式，让AI围绕机制持续迭代，探索可解释、可追踪、可迭代的创作范式。
OpenMAIC：一键生成互动课堂，视频+PPT全都有，还可以编辑
清华开源项目OpenMAIC是多智能体互动课堂，上传文档或描述主题，几分钟就能生成虚拟课堂，AI教授讲课、同学讨论，还有白板功能。底层用LangGraph编排，支持主流模型，有OpenClaw集成，架构完整。