「多模态编辑」共找到 1122 篇相关文章
Google发布"Nano Banana"图像生成模型，号称全球第一
Google推出新图像生成和编辑功能，社区称其为‘Nano Banana’，号称‘世界第一’且免费开放。它有风格转换、背景编辑等亮点，用户反馈整体积极，但也存在API限制等问题，与对手有差距也有优势。
对普通人最有用的一次！藏师傅教你用FLUX Kontext解决一切图片问题
黑森林工作室发布生成式流匹配模型 FLUX Kontext，它能编辑图片且不影响未编辑区域，支持多图参考生成新图像。可用于去水印、修复照片、修改海报、生成商品展示图等，还能美颜美体，替代 PS 等工具。
jina-embeddings-v5-omni 发布！全模态向量小模型
Jina AI发布`jina-embeddings-v5-omni`，将`v5-text`能力拓展到多模态。`v5-omni-small`参数量小却追平LCO - 7B，在多模态评测中表现优异，但视频是短板。其采用‘冻结 + 投影’架构，训练快、省显存。
VLA统一架构新突破：自回归世界模型引领具身智能
北京智源研究院联合中科院自动化所提出 UniVLA 全新 VLA 模型架构，基于全离散、自回归机制建模多模态信号，后训练引入世界模型。它刷新多项基准纪录，在真机操控和自动驾驶有潜力，为多模态感知决策融合带来新思路。
GLM4.5之后，智谱又开源GLM-4.5V，实测下来视觉推理能力贼强~
智谱继GLM-4.1V-9B-Thinking、GLM-4.5后，又开源最强多模态推理模型GLM-4.5V，在多模态理解榜单达开源SOTA。它视觉推理强，经测试能助力科研各阶段，还介绍了其架构设计与训练策略。
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
3.9K Star！Inkeep 把 AI 原生 Markdown 编辑器做成了开源项目！
Inkeep 团队开源 OpenKnowledge，这是真正为 AI 设计的知识库工具，已获 3.9K Star。它有所见即所得、AI 协作等亮点，还基于 Git 同步，保障数据安全，值得 Markdown 工具使用者关注。
手机跑多模态也能快到飞起！面壁MiniCPM-V 4.6开源
面壁智能开源多模态模型MiniCPM-V 4.6，以低算力成本、超低首Token延迟打通三大主流手机操作系统。它算力瘦身性能强，是视觉语言多面手，还适配主流系统，降本增效，让AI能力从云端到指尖。
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
别难为 ChatGPT 了！面对海量资料，NotebookLM + Gemini 的“外挂模式”才是降维打击
Google打通NotebookLM和Gemini后，二者协作效果出色。NotebookLM可拆解复杂信息，Gemini以其为参考数据源答案更精准。二者还能基于笔记本做网站、视频、图片等，各有优势、双向协作。