「图像与视频合成」共找到 1504 篇相关文章
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
Lovart的开源平替产品，完全本地免费的AI设计Agent。
Lovart是热门AI设计Agent但使用成本高，现找到开源平替项目Jaaz。它接OpenAI绘图API，支持Comfyui等本地工具，能免费本地使用，功能丰富，还将推视频生成功能。
桌面 Agent 的下一步：不是会操作，而是会调度工具
复旦大学和通义实验室提出 ToolCUA，让模型在 GUI 与工具调用间编排路径。它从已有 GUI 轨迹合成训练数据，设计奖励机制，在 OSWorld - MCP 评测中效率与准确率大幅提升，为 CUA 发展提供方向。
确认！DeepSeek多模态AI已经开测
DeepSeek研究员陈小康、陈德里确认其V4视觉模式开始灰度测试。更新后出现识图模式，具备真实图像理解能力。陈小康是多模态研究组负责人，陈德里负责语言模型等核心方向，V4可谓满血归来。
刚刚，阿里官方认领神秘「欢乐马」，来自ATH郑波团队
周二晚间，AI评测平台Artificial Analysis上，‘欢乐马’空降榜首引热议。现阿里官方认领，它是ATH郑波团队模型，正内测，近期将开放API。其在多项排行榜表现出色，支持四种视频生成模式。
The Batch: 886 | OpenAI 与 Meta 多元化其 AI 产品线
OpenAI和Meta此前专注聊天机器人，如今分别推出新举措。OpenAI推Sora 2、ChatGPT Pulse和Instant Checkout；Meta推出Vibes。新项目利用AI提升用户参与度与收入，探索社交视频领域和大模型与商务融合。
如何破解内容安全“不可能三角”？快手王东旭：把组织从“固态”变成“液态”
快手内容安全团队负责人王东旭在AICon大会拆解“人机协同”破解内容安全“不可能三角”。他提出组织从“固态”转向“液态”，构建“AI合成旅”，还阐述产运研等岗位职能跃迁及协同模式升级，强调速度是护城河。
Lumina-mGPT 2.0：自回归模型华丽复兴，媲美顶尖扩散模型
上海人工智能实验室等团队提出Lumina - mGPT 2.0自回归模型，统一多种图像任务。它采用独立训练架构、统一多任务处理框架和高效推理策略，实验表现优异，后续将优化采样时间并扩展至多模态理解。
免费使用Sora！微软发布Bing Video Creator
今天凌晨微软官网发布Bing搜索引擎新功能Bing Video Creator，由Sora支持，免费提供服务。介绍了使用方法、视频生成规格、注意事项等，还提及防滥用措施及内容溯源信息。目前国区未开放，可用美版。
Vibe Coder 之死
文章围绕Vibe Coder之死展开，讲述机器人因Vibe Coding失控视频走红，引发对机器人安全热议，探讨其危害、发生可能性、防范措施等，指出当前AI发展枉顾安全，还提及人们对AI+机器人未来的多种看法。