搜索：视觉-语言生成

「视觉-语言生成」共找到 3485 篇相关文章

论文自动变漫画PPT！Nano Banana同款用秘塔免费生成，还有一对一语音讲解

Nano Banana 2的知识变漫画玩法火出圈，国产秘塔AI搜索对标其核心体验，上线同款漫画式课件生成玩法，提供20多种风格，还能语音讲解，发布即全员免费开放，可将论文、报告等变PPT。

智谱AI与清华联合开源GLM - 4.5V视觉大模型，它基于GLM - 4.5 - Air开发，架构独特。在42项主流测试中创41项新纪录，多领域表现超Qwen2.5 - VL等模型，还采用新训练策略。

面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。

文章介绍 AutoDev 预上下文引擎，指出向量化代码检索性价比低，提出用预生成上下文提升 RAG 效果。Context Worker 能深度解析代码，支持多语言，使用简单，还可结合 MCP 服务获取上下文知识。

Google将多年积累的翻译能力灌进开源大模型TranslateGemma，它基于Gemma 3，专为翻译任务调优，有3个规模版本，覆盖550种语言，能直接看图翻译，亮点颇多。

维纳智能登上Nature通讯，其让大模型自动生成高精度推理数据，用闭环反馈驱动专业Agent自主演化。该公司在多领域交出工业级精度答卷，还解决了Agent泛滥的困局，推出多款创新产品。

搞AI绘画的Midjourney官宣将在旧金山开Spa馆，背后是进军医疗硬件的新项目Midjourney Medical。其用Midjourney Scanner做全身超声波扫描，能快速生成高精度3D身体地图，还规划了落地路径和长期扩张目标。

当下AI图像生成领域，Diffusion模型虽为主流，但在精准控制上有不足。伊利诺伊大学香槟分校等机构研究者提出MENTOR框架，用自回归模型实现像素级精准控制，比Diffusion更高效可控。

2023年Meta推出SAM，后SAM 2扩展到视频分割。近日，SAM 3现身ICLR 2026盲审论文，带来「基于概念的分割」新范式，强调按「语义概念」理解和分割图像，还构建数据引擎提升性能。

作者用Nano banana更新头像时发现其生成中文能力差，提出将AI画图与HTML编程结合的方案。HTML搞定确定性、成本低部分，AI画图负责复杂、创意性高部分，还给出使用方法及多种头像加字设计方案。