「图像到有声视频」共找到 1340 篇相关文章
登顶全球权威榜单！浙大创业团队百卡打造开源实时世界模型，视频秒变可交互4D世界
全球科技界正豪赌「世界模型」，但主流模型多停留在「视觉生成」。中国影溯公司发布并开源世界模型 InSpatio - World，综合性能优异，以小博大登顶权威榜单，降低了物理世界数字化门槛，引发行业关注。
无需 OCR 就能从各类文档中提取结构化信息的本地化开源工具docext
docext是无需OCR的本地化开源工具，能从发票、护照等文档图像提取结构化信息。智能文档处理排行榜评估VLMs在多任务表现，docext有灵活提取、表格提取等功能。
奥特曼「红色警戒」5个月后，GPT Image 2屠榜，断层领先反杀谷歌
被Google按了半年头，OpenAI祭出反杀。GPT Image 2上线12小时登顶Arena文生图榜，领先Nano Banana 2达241分。它是从零重构的通用模型，具备原生思考能力，或改写图像生成赛道规则。
本周5个yyds的Github开源项目，速速收藏！
文章介绍本周5个Github优质开源项目。有基于云服务的CloudPaste，排版强的Quarkdown，视频下载工具Media Downloader，双语翻译插件FluentRead，还有全能安卓助手LinkAndroid，各有特色功能。
5B参数+4060Ti，10秒出图，全流程开源可复现！补齐统一多模态生成编辑的开源版图，让高质量图像生成真正变得更轻量、更普及
近日，多机构联合发布统一多模态生成编辑模型DeepGen 1.0，仅5B参数，集成五大能力，4060ti 16G上10秒出图，多项指标超大4倍工业级模型。团队开源全流程代码与数据，可从零复现。
17岁高中生做出AI神器：看一下视网膜，就能识别自闭症和多动症
美国17岁高中生Edward Kang开发AI工具RetinaMind，通过视网膜图像识别自闭症和多动症，准确率达89%，还能分析疾病基因机制。该成果助他获2026年Regeneron科学天才奖二等奖及奖金。
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。
Qwen 3 VL 模型已并入 llama.cpp，ollama同步支持
近日，Qwen 3 VL 系列模型合并到 llama.cpp 项目，支持图像输入和多轮对话，解决了架构兼容性问题。功能已入主干分支，运行需足够资源。Ollama 最新版同步支持其本地化。
ECCV 2026 | 智能助手何时该主动开口？Vinci2让第一视角AI助手从「有问必答」走向「主动服务」
现有第一人称视频助手难以自主判断何时介入服务用户。大连理工大学等团队提出Vinci2，含评测基准EgoServe和智能体EgoMemo。它已被ECCV 2026接收，代码和标注均开源。
UofT、UBC、MIT和复旦等联合发布：扩散模型驱动的异常检测与生成全面综述
多伦多大学、麻省理工学院等高校研究者合作完成长文综述，聚焦扩散模型在异常检测与生成领域的应用，梳理图像、视频等异常检测任务进展，提供分类体系，展望未来趋势。