「多模态图像生成」共找到 3041 篇相关文章
Soul APP开源了一款高保真播客生成框架，90 分钟对话零崩盘！
Soul APP背后的Soul AI Lab发布开源项目SoulX - Podcast，是高保真推理框架，能生成90分钟以上连贯对话，有多方言切换等功能，或重塑语音内容产业生产方式。
Vidu Q3：「参考生」之王，让视频生成走向工业化量产时代
Vidu Q3 上线「参考生」功能，解决 AI 视频生成结果不可控问题。其画面参考范围扩大，特效、音效提升显著，还优化特定场景，接入企业级能力，让 AI 视频从创意验证走向实际生产。
图像模型今夜变天？谷歌刚刚泄露了「Nano Banana Pro」这张王牌
谷歌DeepMind CEO置顶「预告」，传言中的Nano Banana Pro登场在即。它基于Gemini 3.0 Pro级引擎，速度、画质大幅升级，懂界面排版，创作力强，有望让图像模型迈进「专业级时代」。
火遍全网的AI在线生成前端页面DeepSite开源替代LocalSite
LocalSite AI是现代化网页应用，能按自然语言描述生成HTML、CSS和JavaScript代码。它功能丰富，支持多AI供应商，介绍了技术栈、安装步骤、部署方式、使用指南及发展路线等。
字节Seed开源长线记忆多模态Agent，像人一样能听会看
字节Seed发布全新多模态智能体框架M3 - Agent，能听会看、有长期记忆且免费开源。团队还开发新长视频问答基准M3 - Bench并开源。实验显示，M3 - Agent在多基准测试中显著优于基线模型。
打破视觉Token的算力诅咒，RedundancyLens如何为多模态大模型推理减负
多模态大模型的 Decoder - only 架构处理视觉 Token 有计算冗余。合合信息团队提出无需额外训练的动态计算削减方法，在不影响性能前提下降低推理成本，适用于多场景。
视觉生成的另一条路：Infinity 自回归架构的原理与实践
本文整理自字节跳动韩剑在AICon 2025北京站的分享，以Infinity为例介绍自回归视觉生成原理，对比其与扩散模型，展示Infinity升级方案成果，它在高分辨率文本到图像任务能与扩散模型竞争。
真是天才！有人把做软著做成了skill，自动生成全套软著申请材料
介绍了SoftwareCopyright - Skill，它能一键生成符合软著申报要求的源代码文档和用户操作手册，全链路自动化，功能特点多，如真实代码抽取、智能合规排版等，还给出项目链接。
一张图生成雕刻级 3D 模型，效率拉满，绝了！
Hi3D是商品级3D模型生成工具，在Hugging Face上连续三周霸榜下载第一。其2.0版本能自动补全不可见结构、消除环境光干扰、优化人像细节。操作简单，还有多种玩法场景，官方还提供兑换码福利。
多模态RAG哪家强？9 个 Embedding、4 类 MLLMs、4 大框架实景比拼
现有文档 RAG 评测存在不足，华南理工和华科推出 DOUBLE - BENCH 进行多模态 RAG 实战评测，结果显示检索是瓶颈，模型爱胡说。快手开源 Keye - VL - 1.5 - 8B，PaperAgent 有实操指南。