「文本转图像」共找到 940 篇相关文章
Codex给V4-Flash装上眼睛，DeepSeek也会文档OCR
GitHub上的项目codex-vision-proxy让接进Codex的DeepSeek能看图，不用换模型或等官方，装本地代理即可。它还附带视觉工具包，在智能文档解析和OCR上潜力大，证明多模态能力可长在管道上。
Fable 5被网友薅出省钱神招！最高减70%！
网友发现把Fable 5上下文转成图片，让模型通过OCR读取，token输入成本最多省70%。方法pxpipe在GitHub获3000+STAR，本质是本地代理，还引出谷歌老论文及DeepSeek - OCR相关技术。
Demo秀终结，机器人连干8小时不歇！智元定义「部署态」
4月17日智元合作伙伴大会上，智元创始人定义2026为「部署态」元年，即机器人在真实场景7×24小时自主干活。大会首提XYZ曲线产业发展框架，还发布七大生产力解决方案，展示四大新本体、六大AI模型等成果。
拒绝计算“一视同仁”！Elastic Attention：让大模型学会“看人下菜碟”
现代大语言模型用全注意力机制计算复杂度高，现有混合注意力策略是静态的。为此提出Elastic Attention，引入轻量级Attention Router，具备动态路由等亮点，在主流模型测试中效果好。
一键将 Markdown 和网页 AI 对话完美粘贴到 Word、WPS 和 Excel 的效率工具
PasteMD是常驻托盘的小工具，能从剪贴板读取Markdown，调用Pandoc转换为DOCX插入到Word/WPS光标位置。还有新功能，如智能识别Markdown表格粘贴到Excel等，介绍了使用、配置等内容。
告别VAE压缩损耗，南京大学用DiP让扩散模型回归像素空间，实现10倍加速与SOTA级画质
南京大学、腾讯优图实验室和新加坡国立大学发布DiP框架，即将开源。该框架不依赖VAE，仅增0.3%参数量，推理提效10倍，在ImageNet获1.79的FID分数，解决扩散模型在像素空间难兼顾质效的问题。
23岁零基础用AI编程月入5000+：一个00后的淘宝变现实战
23岁小伙大骏零基础用AI编程，先做图片处理小工具在淘宝售卖，后通过私域运营让收入翻3 - 4倍。他分享了AI编程变现经验，强调好奇心、行动力和佛系心态很重要。
AI+直播的新玩法! StreamDiffusionV2让创意零延迟
生成模型改变直播行业，但此前模型难保证时间一致性、有延迟等问题。加利福尼亚大学推出StreamDiffusionV2，通过智能调度和缓存机制优化，支持多GPU并行，可灵活调画质和延迟，实现实时直播。
Meta开源多语言语音识别系统，支持1600种语言，可轻松扩展新语种！
Meta研究团队开源Omnilingual ASR，能理解1600种语言，用几条语音 - 文本配对样本就能零样本扩展新语种。提供三种架构，满足不同需求，性能超现有多语种模型，应用场景广泛。
MeshCoder：以大语言模型驱动，从点云到可编辑结构化物体代码的革新
生成式AI在三维空间面临挑战，传统3D生成成果粗糙难编辑。团队推出MeshCoder，将三维输入翻译成结构化代码，有分部件生成等优势。介绍其实现路径、实验性能，也指出局限并展望未来。