搜索：图像与视频合成

「图像与视频合成」共找到 1504 篇相关文章

o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石

文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。

纽约大学助理教授谢赛宁与李飞飞、Yann LeCun 合作提出「Cambrian - S」，迈出视频空间超感知探索第一步。该研究引入 VSI - Super 基准，还提出预测性感知范式，在空间认知任务上有提升，相关论文值得视频多模态研究者参考。

AI领域发展迅速，视频生成能力提升。百度全球首发中文音视频一体化模型百度蒸汽机2.0，实现人物口型等毫秒级同步，多版本升级且价格有竞争力。实测效果好，技术上解决难题，还开创应用驱动研发范式。

港大团队提出TreeSynth方法，受决策树启发，将数据合成问题映射到其空间分割机制。它采用两阶段流程，能从零合成数据，还可优化现有数据集。实验显示其在多基准任务上性能提升显著，可扩展性佳。

TC-Light 是中科院自动化所张兆翔教授团队研发的生成式渲染器，能对长视频序列重渲染，减少 Sim2Real Gap 及实现数据增强。它克服了时序一致性和计算开销挑战，性能优于现有技术，论文与代码已开源。

通义模型家族新开源图像生成模型Qwen - Image，是通义千问系列首个图像生成基础模型。实测其对提示词理解到位，文字渲染高保真。它具备复杂文本渲染、一致性图像编辑能力，在多基准测试达SOTA。

香港浸会大学联合腾讯优图实验室提出 Streamo，将‘何时回答’变为模型预测的 token，通过端到端训练框架把离线视频模型转化为实时流视频助手，还构建 Streamo - Instruct - 465K 数据集，实验效果良好。

互动式娱乐市场正在爆发，PixVerse推出实时视频世界模型R2版本。该版本让用户真正和世界交互，解决实时视频世界模型持续scaling问题，从内测case来看玩法丰富，其底层技术也有大幅改进。

所有人以为Sora是AI视频生成天花板，但现在质量排名第一的是PixVerse，它登顶Product Hunt日榜第一。其质量评分超Sora 168分，价格还低20%，且在多方面升级。大众仍认为Sora最强有认知、品牌、信息等因素。