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

告别昂贵人工标注，英伟达全自动视频理解助力小模型逆袭顶级大模型

麻省理工、英伟达等推出FoundationMotion，它是全自动数据生成流水线，能解决运动数据稀缺难题。通过自动标注生成问答数据，让小模型经微调后在运动理解上超越顶尖闭源模型，还介绍了其数据生成、问答设计等环节。

明星AI实验室Agnes发布的Agnes Video 2.5系列已上线Pavo创作平台。其中，Agnes Video 2.5 Flash免费，适合AI短剧创作者；Agnes Video 2.5每天送积分，适合商业场景。实测显示其效果佳，免费还能大胆试错。

4月30日DeepSeek发布多模态论文，核心是“视觉原语”，让模型边推理边输出坐标。它是七大coding agent玩家中最后接入视觉的，但补课方式反共识，不堆分辨率堆指代精度，效率高，拓扑推理成绩领先。

今日字节发布豆包大模型2.0系列，围绕大规模生产环境需求优化，有Pro、Lite、Mini和Code四款模型。其Token单价低一个数量级，多模态理解能力升级，未来将围绕长链路智能系统构建发展。

今天，字节正式发布豆包大模型 2.0 系列，围绕大规模生产环境需求优化，提供多款通用 Agent 与 Code 模型。其成本优势明显，多模态能力升级，未来将聚焦长链路智能系统构建。

北京智源研究院发布并开源基于原生多模态训练的世界学习者Emu3.5，它将视觉和语言视为同一种数据流，在超13万亿token数据上学习，解决长视野多模态信息处理问题，经多阶段训练和优化，能力强大且已开源。

银河通用发布全新通用动作追踪框架Any2Track，让机器人精确模仿人类动作，还能抗干扰。团队将动作捕捉学习解耦为两阶段，兼顾精准模仿与抗干扰。其银河太空舱让机器人融入生活，全栈自研技术推动具身智能落地。

在文本转语音（TTS）领域，生成长篇、多说话人的高质量音频一直是技术挑战。微软最新开源的VibeVoice TTS模型，可一次生成90分钟连续语音，支持4个不同说话人，还具备高效处理长序列等亮点特性。

Bind-Your-Avatar基于扩散Transformer框架，通过细粒度嵌入路由将语音与角色绑定，实现精准音画同步，还引入数据集MTCC和基准测试，实验显示其在身份保真和音画同步上优于现有方法。

现有 MLLM 依赖文本处理视觉信息，会造成信息丢失。剑桥、伦敦大学学院、谷歌团队提出视觉规划范式，以强化学习框架 VPRL 提升模型规划能力，实验显示其性能优于文本规划。