「图像到有声视频」共找到 1340 篇相关文章
13 年苦熬到 170 亿市值，一夜间被用户抛弃！一封“AI吹”全员信让网友“不喷不行”
Duolingo是热门教育应用，市值达170亿美元。CEO宣扬“AI优先”，引发网友不满，大量用户抗议。Duolingo早期靠志愿者产出高质量内容，后用AI生成，在小语种上问题频发，公司还试图用搞笑视频化解危机。
清华发布世界模型评测新标尺：直击机器人感知与行动鸿沟
清华大学等机构推出 WorldArena 评测基准，用于测试 EWM 真实能力。它融合感知与功能评估，含十六项视频指标，结合主客观评价生成 EWMScore。测试揭示模型在感知与行动上的差距，转型为实用型模型是行业挑战。
瓦卡奖AI视觉创意大赛·从人工智能专家跨文化对话到全球AI厂商的竞技
10月17 - 19日，第二届瓦卡奖AI视觉创意大赛在深圳举行。期间AI全球视觉工作坊汇聚专家探讨AI与艺术融合，竞技日集结全球AI视频厂商民间团队参赛。大赛还发布国内首部《AI视觉创意应用蓝皮书》。
Skills的最正确用法，是将整个Github压缩成你自己的超级技能库。
文章指出重复造轮子不可取，Skills可将Github开源项目封装成技能库。以FFmpeg、yt - dlp等为例，介绍封装流程，还提及多场景应用，如视频下载、格式转换等，让普通人能利用开源成果。
Ultralytics & lightly-train：简化计算机视觉模型训练，无需标签
在计算机视觉领域，获取带标签数据成本高、耗时长。开源项目 lightly-train 用未标记图像和视频自监督预训练，减少标注成本与时间，可集成到现有训练管道，支持多种模型架构和应用场景。
无损加速视觉语言模型推理！轻松剪掉视觉冗余Token｜腾讯AI Lab
多图像、长视频让大型视觉语言模型推理成本暴涨，成算力瓶颈。腾讯AI Lab联合CMU提出VScan，通过两阶段视觉token筛选机制，在几乎不损性能的前提下实现推理加速，且已在GitHub开源。
对标GPT-4o和香蕉！浙大开源ContextGen：布局身份协同新SOTA
浙江大学ReLER团队开源ContextGen框架，攻克多实例图像生成中布局与身份协同控制难题。基于Diffusion Transformer架构，用双重注意力机制实现布局精准锚定与身份高保真隔离，在基准测试中超越开源SOTA模型，对标GPT - 4o等闭源系统。
一款产品，同时为人类和 Agent 设计，LibTV 是怎么做的？
3月18日，LiblibAI旗下AI视频创作平台LibTV上线，它从设计之初就兼顾人类创作者和Agent。创作者端工作流画布可控；Agent端可通过Skill接口创作，交付可编辑项目。该产品还针对两者差异做了设计，价格也便宜。
40倍推理加速！复旦&微软：用「非线性流」拟合复杂轨迹，2步生成媲美原画
ArcFlow是复旦与微软提出的图像生成加速方案，引入非线性流拟合复杂轨迹。它在仅2步推理下保持画质，实现约40倍推理加速和4倍训练收敛加速，微调极少参数，在多模型验证效果出色。
海螺新模型海外爆火：一夜之间，猫、羊驼、长颈鹿都学会跳水了
国内AI公司Minimax的新模型‘Hailuo 02’本周三官宣上线，在海外爆火。其生成的动物跳水等复杂运动视频AI痕迹不明显，官方称它是全球唯一能处理类似体操高度复杂场景的模型。该模型使用NCR架构。