搜索：图像与视频合成

「图像与视频合成」共找到 1504 篇相关文章

北大卢宗青：现阶段世界模型和 VLA 都不触及本质｜具身先锋十人谈

北大卢宗青作为具身大脑创业者，认为现阶段世界模型和 VLA 未触及本质。他指出互联网视频数据是唯一可规模化的道路，其创立的「智在无界」正标注互联网视频中人类关节动作让模型学习。

近年来大语言模型在长篇视觉叙事中潜力卓越，但长视频剪辑仍难控制。中科大等团队开源工作从系统工程视角研究多模态智能体在长视频编辑中的机制，重构剪辑管线，找到症结并给出解决办法。

Stable Diffusion缔造者团队创立的 BFL 发布全新图像生成模型 FLUX.1 Kontext，可实现像素级图像编辑。它能以文本和图像为输入，有 Pro、Max、Dev 三版本，已在多平台上线，获用户好评，但也面临竞争。

本文聚焦 Codex 学习，指出知名 AI 视频博主更新慢，而 B 站有全面的「Codex 跟练」专题，含快速安装、基础入门、进阶技巧、场景应用四个专区，不同阶段用户都能找到合适内容，视频跟练更高效。

随着文本领域思维链推理机制成功应用，研究者将其引入视觉理解任务。现有模型有局限，本文提出UV - CoT新框架，设计无监督数据生成与偏好优化机制，提升模型能力，摆脱对人工标注依赖。

智源研究院发布国产开源统一图像生成模型OmniGen 2.0版本。它增强理解与生成能力，打通多模态生态。玩法简单，技术有创新，还引入反思机制和新基准，推理效率提升，且将全面开源。

文章介绍快手多模态大模型 Keye-VL 1.5，参数 8B 适合中小企业。它侧重短视频场景，视频理解能力强，能与业务结合，提升推荐等场景效率。还详述其架构、预训练、后训练及训练架构优化等技术细节。

视频创作中字幕制作耗时费力，剪映等工具各有局限。开源字幕工具 AutoSubs 能有效解决痛点，可一键生成高质量字幕、自动区分说话人，本地运行保障隐私，还具备多种亮点功能，使用简单。

大型语言模型处理长文本时计算成本高，本论文探索‘文本即图像’输入压缩策略，将长文本渲染为图像输入多模态模型，可减少近一半令牌，且任务性能不受显著影响，在多任务中验证了其有效性。

Kimi 上线 K2.5 模型，前端审美佳，接近 Gemini 3，增强多模态识别，支持视频。测试显示它能按要求生成漂亮网页，还可通过反馈迭代。它对设计师和普通人帮助大，且 Agent 模式任务完成率高。