搜索：视觉-语言生成

「视觉-语言生成」共找到 3485 篇相关文章

Transformer开始构建三维世界：开源模型几张图片秒级生成可探索3D场景

影溯将最新研究成果做成免费3D捕捉工具Crystal空间相机，背后技术QuerySplat已开源。其模型Topos - Lite改变组织三维空间方式，少量图片就能秒级生成3D场景，还能扩展容量。影溯团队经验丰富，技术应用场景广。

MoonBit Pilot是从语言底层构建的代码智能体系统，将AI Agent从“助手”推向“合作者”。它比Cursor、Codex更快更稳定，能云端异步执行，有Sub Agent架构和分段编译机制，或成未来软件工业新标准。

拓元智慧联合多团队开发出 DrDiff 框架，解决长文本生成中效率与质量难兼顾问题。其核心是“动态化”，有分层稀疏注意力、动态专家调度、语义锚点状态三个创新组件，经测试表现良好，未来应用值得期待。

马斯克的xAI入局世界模型开发，对手是Meta和谷歌等。其从英伟达挖专家，目标是开发先进AI系统，还计划明年底前发布AI生成游戏。不过构建世界模型挑战大，游戏行业有人对此谨慎。

大语言模型在空间领域应用广泛，复杂地理分析问题需组织自然语言成可执行流程。Spatial - Agent 加入 GeoFlow Graph 中间层，借用 GIScience 理论，实验显示能提升准确率，不过仍受数据质量等限制。

埃默里大学团队推出首个视觉解释基准Saliency - Bench，构建8个任务的数据集，提供标准化评估流程与开源工具包，解决评估缺乏标准等问题，推动可解释AI向可靠、透明发展。

香港城市大学等团队发布图像 - 视频生成模型Pusa V1.0，在基础大模型上引入VTA机制，用3860对视频 - 文字数据、约500美元微调，在I2V超越Wan - I2V - 14B实现SOTA，还解锁零样本任务能力。

谷歌AI Studio发布全新vibe编程体验，可一键生成AI应用。基于Gemini API，启动界面有功能建议，还有“手气不错”按钮。构建问答游戏不到1分钟，免费且可编辑代码，还有AI建议功能，适合小白。

Moonshot AI发布Kimi K2.5技术报告，该模型将文本和视觉打通，有并行执行的智能体集群系统。它采用Joint Training，提出“Zero-Vision SFT”，用MoonViT - 3D处理图像和视频，开源后受欢迎，展示通用智能体可能。

本文围绕如何打造真正有用的AI产品展开，以Granola为例，阐述生成式AI领域创业需新打法，如不浪费时间解决即将消失的问题、利用边际成本创造机会、重视上下文及聚焦特定场景等。