「视觉-语言生成」共找到 3485 篇相关文章
开源2天狂揽3.3K Star！超火的隐形AI桌面助手，实时捕捉屏幕与音频，生成结构化知识！
GitHub爆火的隐形AI桌面助手Glass，开源2天Star超3.3K。它由Pickle团队开发，能捕捉屏幕和音频活动，转化为结构化信息。适合会议记录等场景，有屏幕活动捕捉等核心能力，提供不同系统安装方式。
仅保留35% Token，性能反超原模型！快手可灵等用视觉信息引导音频压缩，推理时间直降42%
Omni - LLM计算浪费严重，快手可灵等团队提出OmniSIFT框架。它利用音视频非对称依赖关系，通过时空联合剪枝压缩视频、视觉引导筛选音频Token，大幅减少Token数量，提升性能和推理效率。
我手搓了一个Seedance 2.0分镜Skill：一键生成电影级Prompt，再也不用为提示词发愁了
作者为解决用Seedance 2.0写分镜提示词难题，手搓Seedance Storyboard Skill。它能引导用户完成分镜细节，输出专业提示词。作者实测4种风格案例效果佳，还介绍了Skill原理、安装使用方法。
老黄在CES 2026 上预言：将要告别应用软件的预编译时代，未来的应用是 GPU 上实时生成每一个像素
黄仁勋在CES 2026预言，应用将告别预编译时代，在GPU上实时生成像素。他回顾2025年AI关键进展，介绍Agentic AI特点与能力，还谈了其搭建及应用前景，指出未来软件或基于Agent交互。
深谋科技重磅发布真正为人类服务的新一代人形机器人核心技术「声波传感 · 意念控制 · 高精视觉 · 类脑智能」
深谋科技将在2025 WAIC展示陆上具身智能人形“美猴王”和空中具身智能巨兽“星汉一号”，并发布新一代人形机器人核心技术，包括传感、脑机交互等系统，构建具身智能全域系统闭环。
为什么自监督永远学不到语义？
《Visual Language Hypothesis》论文用纤维丛理论审视视觉表征学习，指出只做连续变换难触达语义。分析现有无监督学习不足，提出“Expand - and - Snap”机制，还通过实验验证，提供审视AI架构新视角。
终于有AI视频模型，解决了体操难题。
前天深夜MiniMax发布Hailuo 02视频模型，虽未正式上线但放了预告片。该模型能生成杂技动作，解决了体操难题，在复杂动作肢体表现上吊打其他模型，还支持原生1080P，价格便宜。
ICLR 2025新成果：文档检索“降本增效”，从此“开挂”
传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。
打破碎片化瓶颈！浙大&哈佛开源UniGeo，高保真相机可控编辑
当前主流相机可控图像编辑基于图像扩散模型，应对连续相机运动易出现问题。近日，浙大联合哈佛发布UniGeo框架，在三核心层面注入统一几何引导，克服结构退化，提升视觉质量与跨视角一致性。
去掉像素中介！上海交大让AI边看边想边画，用同一个“大脑”跨模态推理
上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。