「多模态图像生成」共找到 3041 篇相关文章
Google 亲手证明：GUI 已死，但尸体还在动
Google DeepMind发布Flash - Lite Browser，能用Gemini 3.1 Flash - Lite实时生成网站。它表明GUI连预先设计都不需要，界面正发生三层分化，虽有不足，但展现界面从预制到即时生成的趋势。
EasyCache：无需训练的视频扩散模型推理加速——极简高效的视频生成提速方案
近年来，扩散模型在视频生成领域广泛应用，但推理慢、算力消耗高问题突出。EasyCache是无需训练的视频扩散模型推理加速方案，在多模型实验中实现大幅提速且视频质量几乎无损，为技术落地提供基础。
ACL 2026｜清华新作ControlAudio：声音何时响、说啥话？都能按剧本可控生成！
现有文生音频技术在精细化控制方面有挑战，清华团队提出ControlAudio方法。它通过数据构造、渐进式训练和引导采样，在统一框架下实现时间与语音内容联合建模，在多项任务上表现优于现有方法。
减少检索增强生成（RAG）语义缓存中的误报：以银行业为例
文章围绕检索增强生成（RAG）语义缓存展开，指出其虽能提升效率，但设计不当会产生假阳性。以金融服务FAQ系统为例，经多组实验，发现缓存设计比模型优化更能减少假阳性，还给出未来架构路线图。
上科大何旭明团队新作：克服简单样本偏置，让多模态模型学会「难题优先」
上海科技大学何旭明团队针对多模态模型幻觉问题，提出DA-DPO框架。该方法不依赖额外人工标注，通过动态调整样本权重，缓解简单样本偏置，在降低幻觉率同时提升综合能力，具成本效益。
强化学习新发现：无需数学样本，仅游戏训练AI推理大增
莱斯大学、约翰斯・霍普金斯大学和英伟达研究团队有颠覆性发现，让多模态大语言模型玩简单游戏，无需数学样本，就能显著提升其多模态推理能力。提出的ViGaL方法在多个基准测试中表现出色。
吉卜力风「手游」爆火，可灵+Midjourney生成的！教程已出，支持复刻
吉卜力风格“手游”在Reddit和推特爆火，它由AI制作，创作者用可灵AI、Midjourney结合文字提示实现效果，公开教程支持复刻。还介绍了制作方法及提示词示例，可灵AI发展势头也很猛。
谷歌「最强图像模型」横扫一切！3毛钱P图打懵OpenAI，PS要不存在了
谷歌发布顶级图像模型Gemini 2.5 Flash Image，化身nano - banana在LMArena盲测夺冠。它有四大能力，价格低至每张图不到3毛钱，冲击传统P图工具，虽有小瑕疵但应用前景广。
阿里开源电影级AI视频模型！MoE架构，5B版本消费级显卡可跑
阿里开源新一代视频生成模型通义万相Wan2.2，含文生视频等功能。它率先将MoE架构用于视频生成扩散模型，5B版本可在消费级显卡部署。对比前代和Sora表现更优，还推出电影级美学控制系统。
不上云、不租卡，如何优雅地在本地微调Qwen-VL-30B？
文章指出企业训练多模态助手，30B 参数的开源多模态模型如 Qwen-VL-30B 是不错选择，但多模态场景下显存需求大。联想 ThinkStation PGX 解决了显存难题，还介绍其性能、优势、适用场景及服务等。