「视觉生成」共找到 2707 篇相关文章
打工人五一自救指南：把活全甩给AI，准备免打扰出门
五一将至，为避免假期工作内耗，可安装百度智能云打造的AI助手DuMate。它支持多模态理解与生成，能跨应用完成复杂任务。经测试，它可高效处理整理文件、生成报告等工作，还能并行处理多项任务。
ICML 2025 Spotlight | 多模态大模型暴露短板？EMMA基准深度揭秘多模态推理能力
最新研究推出 EMMA 基准测试，揭示顶尖多模态大语言模型在深度视觉与文本融合的复杂多模态推理上显著不足。该研究已被 ICML 2025 接收，代码数据开源。实验表明，现有模型与人类专家差距大，视觉推理是核心瓶颈。
真碾压Sora了！谷歌Veo 3首次实现音画同步，视频模型直接「开口说话」
谷歌正式发布Veo 3，它能生成高质量视频，还能理解原始像素，自动生成与画面同步的对话、多种音效。得益于DeepMind的V2A底层技术，其音画合成功能领先。虽有时长和使用门槛限制，但已足够震撼。
当顶级视频模型半衰期只有 30 天，fal.ai 为什么收入反而一年增长 60 倍？
在生成式媒体技术发展背景下，fal.ai 作为生成式媒体 infra 公司迅速崛起。它通过统一 API 与云端平台提供多模态模型调用能力，2025 年收入增长 60 倍并完成融资。文章解析其如何构建护城河及对行业发展的判断。
这才叫AI原生应用：Google Slides
Google Slides是Google版AI PPT，与传统AI PPT不同。它像传统PPT搭配AI聊天机器人，用Nano Banana模型可直接生成图片和文字，能像素级推理，打破传统PPT结构，还可自然语言交互修改，只是中文生成效果待提升。
32个随机数字，1分钟推演地球未来15天丨谷歌DeepMind
谷歌DeepMind发布WeatherNext 2，运行速度比上一代快8倍，分辨率达小时级。其关键是新提出的FGN功能生成网络，通过输入32个随机数字生成多样天气情景，速度快且准确率高，虽有小瑕疵但实用。
交互式世界模型来了：不止理解世界，更要改造世界
8月17日，智象未来发布交互式世界模型HiDream - O1 - World，定位为全球首款原生全模态交互式世界模型。它提供漫游和编辑两种交互方式，在WBench测试中成绩优异，但开放场景表现待验证。其采用独特生成方式，有广阔应用前景。
刚刚，千问App把谷歌和OpenAI的「付费绝活」塞进了手机，还免费？
千问App迎来史诗级更新，接入阿里两大视觉模型Qwen - Image和Wan 2.5。Qwen - Image在图像编辑上有强大视觉逻辑理解和一致性保持能力；Wan 2.5能实现原生音画同步。千问App还实现一站式工作流。
AI水论文封一年，署名连坐！arXiv最严新规来了，陶哲轩附议
arXiv计算机科学版块主席公布新规，上传AI水论文被查实者封禁一年，后续投稿须先同行评审。若有未核查LLM生成内容证据，署名作者连坐。陶哲轩附议，指出论文生成易、消化难，新政方向正确，但治不了学术‘争先为首’病根。
谷歌新版Gemini一夜端掉UI：单HTML文件复刻macOS，成功率100%
谷歌新版Gemini 3.0 Pro能力惊人，几行提示词就能在浏览器复刻苹果macOS，还能生成网页版Windows、Linux，功能完整且能一次生成，代码已公开。不过有网友指出这只是模拟环境。业内推测其或在未来几个月发布。