跳到主内容
智客 ZICQ

智客专题 多模态与视频生成专题

多模态与视频生成专题

文生图 / 文生视频 / 语音克隆 / 多模态理解的模型横评与生产实践,覆盖 Sora / Veo / Kling / Suno 与开源多模态栈。

· 2026年9月15日 #多模态AI#视频生成#图像生成#多模态#语音生成#语音克隆#Sora#Veo#Kling#可灵#Suno · 30 / 638 篇内容

智客前沿 · 2026-09-13

LlamaIndex 联合 DeepLearningAI 与 TruEraAI 发布高级 RAG 课程

LlamaIndex 与 DeepLearningAI 和 TruEraAI 合作推出了一门关于高级检索增强生成(RAG)及其评估的课程。该课程涵盖句子窗口检索、自动合并检索以及使用 TruLensML 进行评估等内容,旨在为开发者提供实用…

智客前沿 · 2026-09-13

LlamaIndex与Activeloop联合发布免费高级RAG认证课程

LlamaIndex与Activeloop合作推出了一门免费的高级RAG(检索增强生成)认证课程,旨在帮助AI从业者掌握生产级AI应用技能。该课程包含40多节课程和7个动手项目,涵盖多模态AI应用、法律、医疗、金融等多个领域,并提供Deep…

智客前沿 · 2026-09-13

LlamaIndex发布LlamaParse JSON:优化复杂文档处理与RAG管道开发

LlamaIndex近日推出了LlamaParse JSON模式,这是一款用于将PDF内容转化为结构化数据的工具,旨在简化复杂文档(如包含图像、文本和表格的PDF)的处理流程。通过与Claude-3 Opus等多模态模型的集成,该功能显著提…

智客信息 · 2026-09-12

2026年1月至5月大语言模型研究论文集锦发布

Sebastian Raschka发布了一份涵盖2026年1月至5月的大语言模型(LLM)研究论文清单,汇总了人工智能领域的前沿研究成果。该清单旨在为研究人员、工程师和AI爱好者提供最新的技术进展和学术资源,推动大语言模型技术的进一步发展。

智客信息 · 2026-09-11

OpenRouter发布视频与图像生成工具:视频生成成本降低80%

OpenRouter推出了一款针对视频和图像生成优化的AI工具,声称能够将视频生成成本降低80%。该工具支持多模态内容生成,旨在为创意工作者和开发者提供高效、经济的内容创作解决方案。其发布标志着AI在视频和图像生成领域的进一步发展,为用户提…

智客信息 · 2026-09-11

OpenAI发布GPT-6:基于5次提示构建地球探索网站

OpenAI最新发布的GPT-6模型展示了其强大的生成能力,仅通过5次提示即可构建一个功能完整的地球探索网站。这一成果不仅展示了GPT-6在多模态任务处理和复杂任务生成方面的突破性进展,还为AI在内容创作、网页开发等领域的应用开辟了新的可能…

智客信息 · 2026-09-11

Clone Voice发布:支持短音频生成语音克隆的AI工具

Clone Voice是一款基于短音频生成语音克隆的AI工具,用户可以通过上传简短音频片段,生成高质量的语音克隆内容。该工具旨在简化语音生成流程,为用户提供便捷的语音克隆解决方案。Clone Voice的发布标志着AI在语音生成领域的进一步…

智客前沿 · 2026-09-11

Apple发布DiscoSign:面向手语翻译的篇章感知AI模型

Apple的研究团队推出了DiscoSign,这是一款面向手语翻译的篇章感知AI模型,旨在解决传统手语处理系统仅关注句子层面而忽略篇章级现象的问题。DiscoSign基于模块化大语言模型(LLM),重点解决三个关键问题:空间共指消解、问答从…

智客前沿 · 2026-09-10

MaP-WAM框架发布:基于记忆规划的非马尔可夫机器人控制新突破

MaP-WAM是一种创新的记忆规划框架,旨在解决复杂机器人任务中的非马尔可夫问题。该框架通过将记忆依赖的世界-动作建模分解为基于记忆的规划和条件执行,并利用长期多模态情景上下文作为规划依据,显著提升了机器人任务的成功率。实验结果表明,MaP…

智客前沿 · 2026-09-10

Hugging Face发布World in World:无需训练的视频世界模型推理接口

Hugging Face推出了一款名为World in World的创新型视频世界模型推理接口。该技术无需额外训练,通过将异构控制证据转换为带有时间与相机标签的视觉状态,并利用冻结因果视频模型的原生自注意力机制,实现了跨视角视频重渲染、长时…

智客前沿 · 2026-09-10

LlamaIndex发布DeepEval集成:优化RAG性能评估与AI应用开发

LlamaIndex宣布与DeepEval的集成,为开发者提供了一套强大的工具来评估和优化RAG(检索增强生成)应用的性能。通过DeepEval的50多种预定义指标,开发者可以针对相关性、忠实性和上下文精度等维度对LLM模型进行精细化测试,…

智客前沿 · 2026-09-10

DeepSeek发布DeepSeek-OCR:革新文档AI的视觉压缩技术

DeepSeek近日发布了一款名为DeepSeek-OCR的模型,通过视觉压缩技术将文本信息压缩至视觉表示,从而实现高达20倍的压缩率,同时保持97%的解码准确率。该技术为文档解析工具(如LlamaParse)带来了新的可能性,通过减少上下…