搜索：视觉-文本激活编辑

「视觉-文本激活编辑」共找到 1120 篇相关文章

Google Gemini Embedding2：一个模型处理所有媒体类型

Google发布Gemini Embedding 2，首个原生多模态嵌入模型。能处理文本、图像等多种媒体类型，支持交错输入，覆盖超100种语言。与多模型串联方案比，延迟降70%、召回率升20%。已可在Gemini API等使用。

本文对话 Seede AI 创始人 Longyi，探讨 AI 设计产品发展。Seede AI 主打将原始素材转化为可交付设计稿，易上手、受众广。创始人认为不转向 AI - Native 没救，产品已跑通 PMF，目标是帮人类理解 Agent 产出内容。

昆仑万维推出天工Skywork桌面版，专为Windows打造，能调用Claude和Gemini。实测显示，它可高效分类文件夹、提取图片、生成报告等。相比Claude Cowork，其在生态、视觉、模型等方面有优势，还降低了办公门槛。

在Code RAG场景中，传统文本Embedding模型处理代码表现欠佳。蚂蚁集团与上海交通大学联合发布C2LLM系列模型，引入注意池化模块，在MTEB - Code榜单表现出色，还得益于优质训练流程，成果已回馈社区。

LTX-2开源，它是Lightricks团队开发的首个开源多模态基础模型，能联合生成音频和视频。采用非对称双流扩散变换器架构，用深度多语言文本编码器，速度比许多纯视频开源模型快，让模型理解声画关联。

通义万相新年前发布Qwen - Image - 2512版本。它是开源界最强文生图模型，在AI Arena盲测中表现出色。能消除AI塑料感，攻克文字渲染难题，在还原真实世界和重构视觉元素逻辑排版上有显著提升。

3D视觉领域难题是用普通摄像机将高速世界转为数字化4D时空。受限于成本和带宽，现有方法有局限。本文提出“异步采集 + 视频扩散模型修复”方案，用30 FPS相机恢复100 - 200 FPS动态细节。

GPT - 5.2发布，在GDPval评测等众多基准测试中刷新行业水平。GPT - 5.2 Thinking适合真实场景与专业工作，在知识型任务、编码、长上下文处理、视觉理解、工具调用等方面表现出色，部分功能需付费使用。

随着多模态大模型发展，处理高分辨率图像成关键。主流视觉编码范式难兼顾性能与效率，清华和中科院团队发布 LLaVA-UHD v3，提出 PVC 框架，对比 SBE 和 GNE，验证其在提升效率同时保留模型能力。

上周，月之暗面发布并开源 Kimi K2 Thinking，主打“模型即 Agent”，一上线便引发关注。今日凌晨，杨植麟等人在 Reddit 开展 AMA 活动，回应 K2 Thinking 一系列问题，还回顾了其在多项测试中的亮眼成绩。