「混元图像2.0」共找到 2869 篇相关文章
阿里开源 Qwen3-TTS 全家桶！语音设计、克隆、生成全打包，开源 2 天 3K Star！
阿里通义团队开源 Qwen3 - TTS 全家桶，含语音设计、克隆、生成功能，开源 2 天获 3K + Star。它有秒级克隆、语音设计等能力，有 0.6B 和 1.7B 两种规格，双轨架构等技术创新保障性能。
Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间
Google发布Gemini Embedding 2模型，它是业界首个原生支持文本、图片、视频、音频和PDF五种模态的Embedding模型，可将这些数据映射到同一向量空间，在多模态RAG、跨模态搜索等场景有应用，还介绍了跑分、用法、竞品、价格等情况。
DeepSeek-V3.2被找出bug了：疯狂消耗token，答案还可能出错，研究人员：GRPO老问题没解决
DeepSeek-V3.2虽强且火爆，但被发现存在bug，即浪费token问题。研究者指出这源于GRPO算法的‘隐藏偏见’，虽修正了‘难度偏见’，但‘长度偏见’仍在，官方也承认token效率是挑战。
Seedance 2.5 + 预演台，我只花了很少的钱，做出了一段《变形金刚》迈克尔·贝式运镜
作者分享用 Seedance 2.5 加 updream 复刻《变形金刚》迈克尔·贝式运镜的经验。先预演再生成可省成本，介绍预演台操作，经四步完成复刻，最后检查三项指标判断是否成功。
基础模型又一关键拼图，腾讯混元发布训练新范式「无相」：引入功能性记忆，打破静态权重枷锁
腾讯混元团队发布HY - WU范式，打破静态权重束缚，引入功能性记忆，实时生成个性化参数。应用于图形编辑基模效果好，在图像编辑任务表现优秀，还对未来AI架构提出多方面展望。
突破高分辨率图像推理瓶颈，复旦联合南洋理工提出基于视觉Grounding的多轮强化学习框架MGPO
先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。
别再乱调图像塔了！浙大 IJCAI 论文揭露 VLM 非对称性真相，给 CLIP 微调「踩刹车」
浙大陈静远教授课题组等提出自适应非对称适配器，放弃对图像分支硬性微调，引入预测置信度自动给视觉塔‘踩刹车’。经实验总结出微调三大核心洞察，在多个数据集测试中表现优异。
锁死一致性！Vidu Q2「参考生」可算来了，新功能强到离谱，APP全面进化
生数科技Vidu Q2「参考生」功能全球正式上线，APP端全面改版。新上线「视频延长」功能，最长扩展5分钟，还在一致性、速度、成本等方面优化，在镜头语言、语义理解等表现出色，APP社交体验好。
谷歌突砍Gemini免费版炸锅，数据养模遭背刺？GPT-5.2突袭Gemini 3，Demis Hassabis：谷歌须占最强位
近日谷歌收紧Gemini API免费层级限制，引发开发者不满。同时，OpenAI计划提前发布GPT - 5.2竞争。谷歌DeepMind的Hassabis表示要与OpenAI竞争到底，对Gemini 3满意，还介绍了谷歌未来三个主打方向。
Google 发布 142 页年度DORA 报告：90% 开发者每天花 2 小时使用AI，比去年增长14%
Google发布142页年度DORA报告，显示90%开发者每天花2小时用AI，比去年增14%。开发者对AI代码信任谨慎，看法分化，速度提升比质量改善明显。报告还分析团队类型、采用时间等，指出技术限制和就业现状。