搜索：视觉生成调优

「视觉生成调优」共找到 2722 篇相关文章

无需训练！让VLM同时具备「视觉」与「推理」能力，数学题得分暴涨30%

当前视觉语言模型（VLM）像‘视力好但数学差的学生’，论文指出问题根源是数据不足和能力分布不均。提出‘模型合并’方案，实验显示在数学基准测试中表现亮眼，还通过实验揭示层间能力分布。

多镜头视频生成要求模型处理不同镜头间稳定信息和变化信息，现有方法有局限。Meta与哥本哈根大学研究者提出OneStory，建立跨镜头记忆机制，设计关键模块，实验表现好，为视频生成打开新可能。

文章分享全自动构建n8n工作流的方案，核心是开源项目n8n - mcp，它是AI Agent的n8n外挂知识库，能让AI深度理解和使用n8n。文中介绍其安装、使用，还展示不同难度案例的生成效果。

视觉问答模型准确率提升，但高分可能源于记忆。浙江大学等团队提出 ReKey，保留真实场景，只更新决定答案的视觉线索，使评测面向未见过内容，且多数环节可自动完成。

Google Stitch推出DESIGN.md，这是一个纯文本设计系统文档，放项目根目录，AI助手能直接读取生成一致UI。它含基础设计规范，有9个核心部分。还有现成设计系统库，HyperDesign可自动生成该文件。

文章介绍用 YOLO26 极速目标检测和 SAM3 精准掩码生成搭建流水线。阐述二者原理，给出环境配置、实战代码，分析结果，还介绍进阶优化技巧和常见问题解决方案，适合实时应用场景。

快手最新论文提出的 Recommendation-as-Generation（RaG），把推荐系统从「在已有视频里找答案」推进到「根据用户兴趣生成答案」，已在快手大规模广告系统中部署，带来广告收入提升。

微软亚洲研究院提出全新语音生成模型 VibeVoice，采用 next - token diffusion 机制，能将文字脚本转为最长 90 分钟、最多 4 人对话的高质量播客音频，在多方面有显著优势，未来潜力大。

由前Meta顶尖科学家创立的Memories.ai获800万美元种子轮融资。其大视觉记忆模型LVMM解决AI‘记忆缺失’问题，在多领域刷新SOTA基准，应用潜力大，还开放API及网页应用。

当前音频驱动头像视频生成扩散模型合成长视频时难兼顾音频同步与身份一致，瓶颈在音频建模。复旦大学提出StableAvatar，首个端到端视频扩散Transformer，能无限时长生成，还介绍原理与演示效果。