搜索：多模态图像生成

「多模态图像生成」共找到 3041 篇相关文章

SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。

文章介绍日本网友分享的 Gem 应用，可上传照片生成各种风格贴纸。详细阐述提示词模板概念、规律特点，还给出波普艺术、日式复古火柴盒等多种贴纸风格提示词库及可用情绪列表，最后鼓励读者动手尝试。

LTX-2开源，它是Lightricks团队开发的首个开源多模态基础模型，能联合生成音频和视频。采用非对称双流扩散变换器架构，用深度多语言文本编码器，速度比许多纯视频开源模型快，让模型理解声画关联。

主流OCR评测基准聚焦信息抽取任务，而图文推理任务缺乏系统性评估标准。OCR - Reasoning可系统性评估多模态大模型深度推理能力，还给出多种推理示例，并展示了测评Qwen2.5 - VL - 7B模型的代码。

北京大学、清华等联合提出统一引擎PAM，能整合姿态、外观和运动。用户提供初始和目标姿态及物体几何形状，它就能生成逼真手物交互视频。其效果超现有方法，合成视频可用于数据增强。

李飞飞创业团队World Labs宣布能生成持久、可导航且能自定义操控的3D世界。该模型专注构建3D环境，有更好几何形状、多样风格、更大规模，还支持无限畅游，已推出beta版。

主流OCR评测基准聚焦信息抽取，复杂图文推理任务中多模态大模型深度推理能力缺乏评估标准。OCR - Reasoning可系统性评估，还列举多种推理示例，并测评了Qwen2.5 - VL - 7B模型。

北大团队发布GENIUS，用于评估模型生成式流体智力。它构建含510个样本、20个子任务的评测集，测试模型多方面能力。实验显示当前模型流体智力有短板，还提出免训练注意力校准机制提升性能。

MIT与谷歌团队在研究PASTA中探索异步生成范式，开发标记语言PASTA - LANG，采用双阶段训练流程，设计推理系统。实验显示PASTA平衡性能与质量，有可扩展性，为LLM推理效率优化开创学习驱动新路径。

新智元报道，X上神秘爆料与网友灰度测试经历让GPT - 5讨论再升温。奥特曼称今年夏天可能推出，迈向完全多模态。此外，还提及OpenAI核心团队动态、出走高管新动作及AI发展风险与监管建议。