「图像理解」共找到 1169 篇相关文章
刚刚，Google Veo 3.1 发布，Sora 还香吗？
Google 发布 Veo 3.1，重新定义 AI 视频生成天花板。它对叙事深度理解，新增音频生成，有四大核心能力。网友将其与 Sora 2 对比，二者各有千秋。还介绍了 Veo 3.1 使用方式及 Flow 平台成果。
跑分第一，实战拉胯！GPT Image 1.5被骂惨，奥特曼这波悬了
OpenAI推出新一代旗舰图像模型GPT Image 1.5，生图能力强，免费用户可上手，开发者能调用API。它在跑分榜单成绩优异，但网友实测发现是‘高分低能’，引发吐槽。此外，其API价格降20%，此次更新是回击谷歌。
性能超越李飞飞，他们把10亿高斯点的3D世界装进浏览器
群核科技开源3D高斯浏览器Aholo Viewer，渲染速度和大场景加载性能超Spark2.0，能让任何设备浏览器流畅运行10亿+粒子的超大3D场景。它还带动信息载体范式跃迁，推动AI理解三维世界。
DeepMind揭示Reasoning内在机制
近年来大型推理模型在复杂任务表现出色，但推理机制成谜。本文提出用推理图解码其‘思考轨迹’，分析环状结构、直径大小和小世界特性，发现蒸馏模型等特点，为理解AI推理及模型优化指明方向。
开源 AI 文档生成器！给代码库做个CT扫描，一键生成交互式Wiki文档！
介绍开源工具DeepWiki-Open，它由AsyncFuncAI开发，能将GitHub或GitLab仓库一键转为交互式Wiki，基于多种技术实现代码分析和自动化文档生成，解决开发者理解复杂代码库的痛点，还给出快速上手步骤和适用人群等。
11篇顶会论文之外，美图影像研究院做了一件事：让大众爱用AI
过去两年，AI 生成图片、视频变得容易，但让 AI 理解并按创作者意图创作很难。美图影像研究院过去几年围绕高频创作场景痛点展开研究，11 篇论文被国际顶会接收，成果通过产品落地转化为 AI 影像能力。
火了！刚刚，李飞飞2篇最新文章发布！
AI圈近期被李飞飞两篇重磅文章刷屏，一篇阐述空间智能愿景，指出当前AI缺乏空间智能，其创办的World Labs提出世界模型；另一篇论文揭示当前视频理解基准自欺欺人，还提出新基准VSI - SUPER及预测性感知新范式。
百度Qianfan-VL开源，纯国产自研昆仑芯跑出世界一流
百度开源全新视觉理解模型Qianfan-VL，有3B、8B和70B三个版本，在昆仑芯P800芯片上训练。该模型多模态能力强，OCR和教育场景表现突出，跑分超国际主流模型。芯片功耗低、架构优，模型训练方法创新。
昆仑万维多模态视频生成开源，影音图文全统一
昆仑万维开源的SkyReels-V3，通过统一多模态上下文学习框架，实现参考图像生成视频、视频持续扩展及音频驱动虚拟数字人功能，在视觉质量与指令跟随性上逼近闭源顶尖水平，为开源社区提供强大研究基座。
X-Actor 惊艳登场！长时唇动+情感同步人像动画生成
字节提出 X - Actor，一个音频驱动自回归扩散框架，能通过一张静态参考图像和一段音频生成逼真、富有情感表达的人像动画视频。其核心是两阶段解耦生成流程，实现长时间唇形同步与情感音频一致性。