「视觉语义场景补全」共找到 2595 篇相关文章
RAE的终极形态？北大&阿里提出UniLIP: 将CLIP拓展到重建、生成和编辑
北大和阿里团队提出 UniLIP，解决了统一多模态模型中语义理解与像素重建的矛盾。它创新微调 CLIP，实现图像重建，还提出双条件架构用于生成和编辑，在多基准取得 SOTA 性能。
斯坦福新论文：微调已死，自主上下文当立
斯坦福大学等机构研究人员新论文指出，依靠上下文工程，无需调整权重，模型也能变聪明。他们提出智能体上下文工程ACE，不依赖模型重训，让上下文自主进化，在多场景测试中表现优于多种方法。
AI产品能不能火，全看创始人会不会当“网红”？这届AI大佬不拼代码了，个个都是隐藏的社交媒体达人
本文指出当下AI创业者纷纷成社交媒体达人，利用小红书等平台为产品冷启动。还强调社交传播对AI产品至关重要，但不能替代技术壁垒。同时分析初创公司应深耕场景，抓住时间差打造竞争力。
谷歌最新「0.27B」Gemma 3开源！身板小却猛如虎，开发者直呼救命稻草
大模型时代开发者算力焦虑严重，谷歌Gemma 3系列另辟蹊径。新成员Gemma 3 270M参数规模小但性能强，如在IFEval测试表现突出，有小体积强架构、省电等亮点，适用于多场景。
在WAIC，比起看机器人打拳，人们更想知道怎么用AI赚钱
7月27日普通观众参观日，WAIC现场火爆。本届大会规模为历届之最，机器人与模型厂商纷纷展示落地应用。机器人从“能动”走向“会干”，模型厂商聚焦场景，投融资锚点转向商业指标。
开源黑科技！向量数据库，居然要被 MP4 给干掉了！
GitHub开源项目Memvid，能用MP4视频文件替代昂贵的向量数据库，检索达亚秒级。它把文本编码成视频，用配套JSON索引记录位置，结合sentence-transformers和FAISS实现语义搜索，存储和检索性能出色。
用AI写PPT，没想到效果这么好啊
文章聚焦用 CodeBuddy 写 PPT，先指出写 PPT 的痛点，介绍 CodeBuddy Skills 解决方案，接着阐述安装、实战场景、使用技巧，深度剖析 PPT Skill 原理、架构等，最后说明优势与局限，助力摆脱 PPT 难题。
太强了 Yan！腾讯打造的全能交互视频生成引擎
腾讯提出的面向交互式视频生成的基础性框架 Yan，集 AAA 级模拟、多模态生成和多粒度编辑于一体，为下一代 AI 内容引擎提供可行路径，但也面临长时视频视觉一致性不足等问题。
DeepMind 没舍得开源的 Genie 3，被昆仑万维放出来了
过去一周世界模型赛道热度高涨，DeepMind发布的Genie 3未开源，昆仑万维却在8月12日推出自研升级版Matrix - Game 2.0并完整开源。它定位产业化，能让世界模型从实验室走向生产线，还带来盈利模式转变。
“被投资人怒怼30分钟后，我更确定中国To B的答案” | 甲子光年
文章讲述百融云创在AI To B领域的探索。它突破传统“卖工具”模式，采用“结果计价”，共担结果、承包KPI。技术上提前押注语音对话技术栈，“硅基员工”概念落地多场景，有望推动中国To B行业进入新秩序。