「图像与视频生成」共找到 2812 篇相关文章
谷歌推出“神经操作系统”原型，Gemini 2.5 Flash驱动，UI即时生成无需编码
谷歌开发者博客展示由大模型驱动的“神经操作系统”研究原型，由Gemini 2.5 Flash - Lite驱动，屏幕由大语言模型即时生成。介绍了实现UI即时生成等的核心技术理念，虽为原型但应用前景好。
快手发布Keye-VL-1.5，同量级SoTA，让模型真正看懂视频！
近年来，多模态大语言模型兴起，但视频理解仍是难题。快手Keye团队推出Keye-VL-1.5，通过Slow-Fast编码策略、渐进式四阶段预训练和全面后训练流程等创新，实现视频理解突破，综合性能领先。
MIT发布自适应语言模型！新任务，自生成远超「GPT-4.1合成训练数据」
麻省理工学院提出自适应语言模型框架SEAL，让大模型生成微调数据和更新指令适应新任务。实验显示，其生成的合成数据微调效果超GPT - 4.1，在少样本学习和知识整合任务表现优异。
看完快手这场沙龙，我对生成式推荐的判断变了
作者参加快手技术沙龙，认为生成式推荐正重构推荐系统底座。快手在生成式推荐领域体系化演进，如OneReason让推荐系统学会思考，Pool - Rec解决算力问题，OneSearch V2和GR4AD用于场景实践，还举办LLM - Rec挑战赛。
一步步实战 CopilotKit（AG-UI协议）：生成式 UI 与集成 Human-in-the-Loop【下】
文章延续上篇Demo，探索CopilotKit在重要场景的应用，如基于Agent的生成式UI、HITL人类参与流程等。展示了相关实例操作步骤与前端效果，指出其为构建智能应用奠定基础，降低AI融合门槛。
ECCV 2026 | 北大团队提出 Atomic Dance：基于原子动作的可解释音乐舞蹈生成框架
北大团队提出 Atomic Dance 框架，以原子动作作为舞蹈基本单元，建立有明确语义和结构的舞蹈表示，设计“动作规划 — 舞蹈生成”两阶段框架，让生成的舞蹈更符合音乐节奏和编舞逻辑，具备可解释性和可编辑性。
ICML 2025 | 多智能体的ChatGPT时刻？上交MAS-GPT实现工作流一键生成
上海交通大学等机构推出 MAS - GPT，提出生成式 MAS 设计范式，可一键生成可执行的 MAS。它解决了现有 MAS 方法无适应性、成本高、泛化性低等问题，实验显示其表现出色，未来潜力大。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google更新Gemini 2.5 Pro至05 - 06版。此版代码能力在WebDev Arena盲测登顶，超Claude 3.7 Sonnet；还提升视频理解，可将视频转为可视化网页，虽有产品打磨问题，但进步值得肯定。
超越谷歌Banana，字节联合香港中文大学等高校开源最强图像编辑生成系统DreamOmni2
香港多高校与字节跳动联合研发的DreamOmni2系统，实现图像编辑与生成领域SOTA。它用三步造出高质量数据，提出索引编码等方案，联合训练模型，实际效果超越部分商业模型，为AI创作带来新可能。
图像分词器造反了！华为 Selftok：自回归内核完美统一扩散模型，触发像素自主推理
华为盘古多模态生成团队推出 Selftok 技术，通过反向扩散将自回归先验融入视觉 token。它突破传统，实现因果 token、强化学习友好型 token 及纯 AR 大一统架构，实验在多方面表现优异，论文还入选 CVPR 2025 最佳候选。