搜索：视觉-语言生成

「视觉-语言生成」共找到 3485 篇相关文章

靠AI把股价干涨735%，这家公司开始成批裁掉可替代岗，全员招聘须CEO点头

AppLovin联合创始人兼CEO Adam Foroughi分享公司发展历程。他曾借钱60亿美元回购股票获600亿美元回报，押注AI使股价涨735%。公司经历人员结构调整，清退老高管和可被LLM自动化岗位，招聘须他亲批，超80%代码由大语言模型生成。

DeepSeek开源DeepSeek - OCR2，引入DeepEncoder V2视觉编码器，打破传统模型扫描限制，模仿人类视觉「因果流」逻辑。它解决了传统VLM忽略图像语义结构问题，在多项测试中表现出色，还验证了「LLM作为视觉编码器」可行性。

清华大学吕帅团队提出FloorPlan-LLaMa模型，采用自回归生成架构与RLHF机制，解决传统平面图自动生成模型‘指标优秀但实际不可用’痛点，提升生成式平面图设计质量与实用价值。该论文被ACL录用获领域主席奖。

过去两年视频生成模型不断提升画面参数，但传统模型生成的视频固定，用户无法干预。而世界模型可跟随操作实时渲染、动态生成世界。目前Noiz AI联合多机构发布实时可交互音视频世界模型HelixWorld 1.0，后续还将开源。

清华大学TSAIL实验室与生数科技开源视频生成加速框架TurboDiffusion，引发全球AI社区热议。它能在几乎不影响生成质量的前提下，让视频生成速度飙升100 - 200倍，将AI视频带入实时生成时代。

速度、质量、管线可用性是AI 3D生成的不可能三角。VAST发布的Tripo P1.0首次在原生三维空间概率生成，2秒输出专业3D资产，效率提升百倍，生成结果可直接用于多场景，突破了这一困境。

文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。

Google宣布NotebookLM语言摘要功能支持50多种语言，包括中文，可将上传文档转成播客对话形式。以一篇AI进化论文为例展示效果，其音频和内容质量不错，学习输入立体，还能助力AI播客创作。

本周起，符合条件的Sora用户可上传含人物照片制作视频，使用前需声明获人物同意。这是Sora受期待功能之一，有严格限制，且照片转视频功能审查更严，此为OpenAI平衡之举。

在AI Infra Summit上，英伟达宣布推出NVIDIA Rubin CPX GPU，专为处理百万token级代码生成和生成式视频应用。它是首款为超大上下文AI量身定制的CUDA GPU，性能强且能效高，预计2026年底推出。