「多模态创作」共找到 1239 篇相关文章
腾讯混元开源AI绘画新框架：24维度对齐人类意图，让AI读懂复杂指令
腾讯混元团队开源PromptEnhancer框架，通过“思维链提示重写”提升AI绘画文本 - 图像对齐精度，复杂场景准确率提升17%以上。还开源高质量基准测试数据集，为研究提供支撑。
全球百万网友迷上赛博「养鱼」，我也被这群AI小丑鱼拿捏了
Draw A Fish是一款AI小游戏，让全球百万网友上头。玩法简单，在画布画鱼，达到一定相似度就能放虚拟鱼缸。它门槛低、有成就感和互动性，背后是基于PyTorch的卷积神经网络，用ResNet18架构和QuickDraw数据集训练。
首个开源多模态Deep Research智能体，超越多个闭源方案
首个开源多模态Deep Research Agent登场，整合多种工具并优化决策。其WebWatcher技术方案覆盖全链路，实验中在四大核心领域领先主流模型，展现复杂推理和信息检索实力。
大型语言模型稳定强化学习的新路径：几何平均策略优化GMPO
本文介绍了大型语言模型稳定强化学习新路径——几何平均策略优化GMPO。它是GRPO稳定化版本，通过优化几何平均替代算术平均，解决GRPO训练不稳定问题，在多任务实验中显著优于GRPO。
亿万打工人在用的WPS，未来可能要重塑你的工作流
WAIC上，金山办公发布WPS AI 3.0及原生Office办公智能体WPS灵犀。WPS知识库解决文档管理难题，WPS灵犀功能全面，能深入办公场景，还推动AI办公向Agentic Software演进。
让小爱音箱超越「指令-响应」模式，开启真正智能交互新时代
2017年智能音箱诞生，却被困于「指令 - 响应」模式。此次Open - XiaoAI进化，接管小爱音箱“耳朵”和“嘴巴”，通过多模态大模型和AI Agent释放其潜力，还给出项目运行教程等。
腾讯混元AI开源3D世界生成模型！文图即可生成3D沉浸式场景！
腾讯混元AI实验室开源HunyuanWorld 1.0，这是业界首个支持沉浸式、探索性和交互性3D世界生成的全开源模型。它能通过文图生成3D场景，为多领域提供支撑，还给出安装和代码使用示例。
谷歌让机器人「长脑子」了！首发离线具身VLA模型，断网精准操控
谷歌首发具身智离线模型Gemini Robotics On-Device，实现VLA多模态大模型在具身机器人本地离线运行，无网络也能稳定运行。谷歌还开源了SDK，具身智能迈向实用化新阶段。
爆款AI视频越来越多，但本质我觉得跟炒股没区别。
作者以AI视频爆款频出为背景，借唐朝张大麻、自身炒股经历等故事，探讨AI视频爆款复制价值、获流量人数及流量后续价值，指出创作应重持续经营，勿盲目跟风。
刚刚，谷歌AI路线图曝光：竟要抛弃注意力机制？Transformer有致命缺陷！
谷歌未来AI路线图曝光，Gemini全模态是重点，模型向智能体转变，推理能力将扩展。谷歌还需突破现有注意力机制限制实现无限上下文。此外，文中盘点了OpenAI、DeepSeek等大厂AI年中表现。