「多模态生成」共找到 2912 篇相关文章
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。
文生图进入R1时代：港中文MMLab发布T2I-R1，让AI绘画“先推理再下笔”
港中文MMLab团队发布首个基于强化学习的推理增强文生图模型T2I - R1。它提出双层级CoT推理框架和BiCoT - GRPO强化学习方法，解决生成评估难题，为多模态生成提供新范式。
刚刚，阿里「欢乐马」正式上线，抢先实测这匹「黑马」
4月27日，阿里ATH团队上线视频生成模型HappyHorse 1.0。它依托多模态架构，音视频创作编辑一体，价格实惠。支持文生、图生、多图参考生视频，视频编辑功能强大，能精准替换主体、添加元素、改变风格。
告别AI「鬼画符」！一行指令「复活」王羲之、苏轼，带连笔、懂排版，项目已开源丨ICLR'26
UniCalli由香港科技大学（广州）等团队推出，是全新统一扩散框架，能精准生成书法排版和连笔，将书法生成和古籍识别统一，工作被ICLR2026接收，代码、数据集开源，还有在线Demo。
给 Agent Skills 装上眼睛：MMSkills 用多模态技能包教会智能体看状态、做决策
上海交通大学和小红书团队推出面向通用视觉 Agent 的多模态技能框架 MMSkills，将可复用技能扩展为多模态程序性知识，通过 branch loading 调用视觉证据，在 GUI 与游戏任务评测中表现出色。
Nano Banana Pro上线！集成Gemini 3与Veo 3，谷歌不给竞争对手喘息机会
谷歌推出最强文生图模型Nano Banana Pro，又名Gemini 3 Pro Image，整合Gemini 3 Pro多模态理解能力与谷歌搜索知识库。它提升文字渲染等能力，支持多种分辨率和格式，还集成视频生成模型，覆盖多类用户。
【综述】MRAG5项关键技术(一)：解析、索引
文章围绕多模态检索增强生成（MRAG）的关键技术展开。介绍多模态文档的三种类型，阐述文档解析与索引的方法，包括基于提取和基于表示的方法，还指出基于提取方法存在的局限性。
对话阶跃星辰段楠：“我们可能正触及 Diffusion 能力上限”
阶跃星辰段楠指出当前视频生成技术或触天花板，真正有深度理解能力的模型尚待突破。他预测未来1 - 2年视觉领域基础模型有望出现，还分享视频生成及多模态AI未来核心洞察。
刚刚，全球视频模型新王诞生了！
天工AI的SkyReels-V4直接登顶Artificial Analysis文转视频全球榜，超越Veo 3.1、Sora 2。其相比之前有两大核心升级，让视频生成从‘生成片段’走向完整视频生产，还应用于短剧平台DramaWave。
GLM4.5实测：审美不如R1，全栈还不大可用，别急冲
7月29日智谱开源GLM - 4.5。作者实测发现其在UI设计审美不如R1，生成卡片表现不一，Coding能力勉强及格，全栈代码生成未达可用阈值，存在无多模态能力、上下文窗口短等问题，目前还别急着冲。