「图像驱动」共找到 1037 篇相关文章
数据邪修大法好：仅用文本数据就能预训练多模态大模型
多模态大模型研发中，行业认为无图文对就无多模态能力。但ReVision研究表明，预训练阶段昂贵配对关系非必需，利用非配对数据统计信息修正文本表征，能实现跨模态互换，降低成本。
VerseCrafter：给视频世界模型装上4D方向盘，精准运镜控物
复旦大学与腾讯等机构提出VerseCrafter，这是通过显式4D几何控制实现的动态逼真视频世界模型，能精准控镜和指挥物体3D运动。它用独特方法构建4D可控世界模型，实验超现有SOTA方法，代码与模型已开源。
“干了20年，没见过这阵仗”：一句话说明存储行情有多火
当前存储行情火爆成‘超级风暴’，产业链各方看法不一。AI算力驱动需求，致产能被挤占，行业从‘周期性短缺’到‘结构性缺货’，市场规则改变，上下游悲喜不同，终端厂商也面临诸多挑战。
鹿明机器人CEO喻超：2026年目标营收过亿，但更关注通用智能的终局
鹿明机器人成立不到一年就凭借人形机器人LUS破圈。2026年其计划建成超100万小时UMI数据采集产能，预期营收过亿，但CEO喻超更关注通用智能终局，认为人形机器人是终极方案。
国产算力解决方案，如何赋能“AI for Science”？
AI已成驱动科研范式变革的核心力量，“AI for Science”成趋势。中科院陈刚分享AI赋能高能物理见解，还谈及国产算力方案应用表现，22家机构企业发起“科学智能联合攻关行动”。
让扩散模型「可解释」不再降质，开启图片编辑新思路
过去三年扩散模型席卷图像生成领域，但可解释性研究是‘黑箱’，且现有尝试常致性能下降。香港中文大学与上海人工智能实验室团队提出TIDE框架，可解释且不降质，还带来新图像编辑方式。
多人会话视频生成新突破：香港科技大学，浙江大学用单人数据实现多人交互视频生成
香港科技大学、浙江大学等开源 AnyTalker，提出音频驱动多人交互生成新范式。它用创新机制和两阶段训练策略，以少量数据实现多人视频生成，还构建评估指标，性能超现有方法。
这款开源AI卡片笔记，让我果断卸载了Obsidian！
开源君推荐开源项目Blinko，它是自托管、AI驱动的个人笔记工具，主打“快”与“智能”，将RAG技术和LLM能力融入笔记管理，数据自主可控，适合注重数据安全和知识管理的人。
马斯克抢先谷歌一步放大招，Grok 4.1登顶LMArena，创意写作直逼GPT-5.1
谷歌Gemini 3将上线消息正热时，马斯克旗下xAI的Grok 4.1凌晨上线。它有两个“形态”，免费开放且有APP版。在LMArena测试中表现优异，事实稳定性、情商、创意写作等能力提升，实测也有不错表现。
解决特斯拉「监督稀疏」难题，DriveVLA-W0用世界模型放大自动驾驶Data Scaling Law
自动驾驶领域VLA大模型面临‘监督稀疏’难题，特斯拉公布此挑战。DriveVLA - W0研究提出用世界模型解决，将‘预测未来图像’作自监督训练任务，还提出轻量级架构降低推理延迟。