「AI视觉模型」共找到 13889 篇相关文章
SkyReels-Audio让嘴型和音频完美匹配不再难
音频驱动的动态人脸生成研究较少，昆仑万维提出SkyReels - Audio框架，基于预训练视频扩散变换器构建，支持无限长度视频生成与编辑，采用混合课程学习等策略，保障视频视觉保真度和时间一致性。
融资 1200亿后 Kimi 再扔王牌，新架构爆改 Transformer 老配件，比 DeepSeek 同款还省钱
Kimi 发布新论文，提出“注意力残差”架构改进 Transformer 残差连接，解决“稀释问题”，让 AI 更聪明、更省钱，还推出“分块注意力残差”优化成本。与 DeepSeek 方案对比，Kimi 方案性价比更高。
大涨240%，Doc-Researcher确立多模态文档深度研究新范式
在ChatGPT引领的AI革命中，大语言模型面对专业复杂文档常“束手无策”。Doc-Researcher提出三位一体解决方案，构建M4DocBench评测，性能远超现有方案，还适用于多产业场景。
马斯克狂烧14万亿，5000万H100算力五年上线！终极爆冲数十亿
马斯克宣布5年内实现5000万张H100的算力，成本超2万亿美元。他已有Colossus超算集群，Grok系列模型也展现强大实力。目前Colossus 2在分批落地，供电采取多元化措施。
BrowseComp等评测集第一，秘塔推出「深度研究」，已开启免费公开访问
世界变化快，AI领域新概念不断。秘塔在上线“浅度研究”五个月后，将其升级为“深度研究”。该模块最初由OpenAI推出，秘塔版可免费公开访问，准确率优，还让研究过程可见。
NanoCoder：我把50万行的claude code核心机制浓缩成1000行，不可能学不会了吧！
Claude Code 源码泄露后，kimi Agent 团队何宇峰大佬的 NanoCoder 项目，用 950 行 Python 代码重写其核心机制。它实现 7 种关键设计模式，可助理解顶级 AI 编程 Agent 核心设计，还能按需修改。
Meta亚历山大王走人？小扎回应了
近期网传Meta AI一号位亚历山大王离职，小扎晒自拍、发言人辟谣。传闻源于新模型难产及组织架构调整，王与高层技术路线有分歧，不过Meta否认其离职，网友看法不一。
重磅！iPhone 端侧可部署 Gemma 4 了！完全零token消耗！
PhoneClaw 是运行在 iPhone 的本地 AI Agent，可离线运行 Google Gemma 4。它支持多模态，有隐私保障和灵活模型管理。文中介绍使用方法、自定义 Skill 方式、常见问题，还提及后续扩展计划。
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
全球第二易主，谷歌逆袭登顶！OpenAI 500亿股票池曝光，Ilya躺赚40亿
谷歌母公司成全球市值TOP 2，Gemini市场份额疯涨。被逼急的OpenAI甩出500亿美元员工股票池，Ilya或分40亿。谷歌有入口优势，AI竞赛进入拼入口阶段，OpenAI砸钱抢人赌未来。