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 · 2026-09-09

Google DeepMind与电影制作人合作:AI重现70年爱情故事

Google DeepMind与电影制作团队合作,利用AI技术重现了一对夫妇未记录的生活片段,制作了短片《Love, Rendered》。这项技术突破展示了AI在视觉内容生成和情感叙事方面的潜力,为电影制作和历史重现领域提供了新的工具和方法…

智客信息 · 2026-09-09

Caption.me实现自主进化:AI图像字幕生成迈向新阶段

Caption.me近日宣布其AI图像字幕生成系统实现了自主进化能力,能够在不依赖人工干预的情况下持续优化自身性能。这一突破性进展标志着AI图像字幕生成技术迈向新阶段,通过自动化学习和迭代机制,Caption.me能够更高效地适应多样化场景…

智客前沿 · 2026-09-09

Suno发布Suno v6:基于授权音乐训练的新AI模型应对版权诉讼

Suno公司宣布推出其最新AI音乐生成模型Suno v6,以应对日益增多的版权诉讼。与之前版本不同,Suno v6的训练数据完全基于授权音乐,避免了使用可能引发版权问题的音乐作品。这一举措标志着Suno在AI音乐生成领域的重大战略调整,旨在…

智客前沿 · 2026-09-08

AuK开源发布:统一语音生成与编辑的AI基础模型

AuK是一款开源的基础模型,旨在统一语音生成与编辑,通过自然语言指令和音频上下文接口实现多任务处理。该模型在构建约30.3亿条指令-音频实例和195万小时有效监督数据的基础上,融合了多模态大语言模型、联合训练的VAE以及混合校正流Trans…

智客前沿 · 2026-09-08

Hugging Face提出Mask Forcing:改进自回归视频扩散蒸馏技术

Hugging Face的研究团队提出了一种名为Mask Forcing的新方法,通过Dual-Noise Masking Rollout策略改进自回归视频扩散模型的蒸馏过程。该方法通过在自回归扩散蒸馏过程中引入随机掩码,注入更清晰的信号以…

智客前沿 · 2026-09-08

NeoHorse-1发布:探索基于智能体后训练的自递归改进机制

NeoHorse-1 是一种新型智能体原生模型系列,旨在通过智能体后训练实现递归自改进(RSI)。该系统结合异构模型池与智能路由机制,记录用户交互数据并将其转化为训练样本,通过结构验证和多维度语义评估进行优化。NeoHorse-1 在多个基…

智客信息 · 2026-09-08

Inception Labs发布Mercury 2.5:提升扩散模型智能化水平

Inception Labs推出了Mercury 2.5,这是一款针对扩散模型(Diffusion LLMs)设计的智能系统,旨在提升生成式AI的智能化水平。Mercury 2.5通过优化模型架构与推理流程,在生成质量、效率和可控性方面实现…

智客前沿 · 2026-09-08

OpenAI发布ChatGPT Images 2.5:个性化图像生成能力再升级

OpenAI正式推出ChatGPT Images 2.5版本,该版本旨在将用户的创意、草图和参考图片转化为更加个性化且精美的图像。新版本在图像生成质量、个性化表达以及与用户意图的匹配度方面进行了显著优化,为用户提供了更贴近其想法的图像生成体…

智客信息 · 2026-09-08

Qwen发布自动驾驶领域视觉语言模型Qwen-Drive-1.0-4B

Qwen推出了一款针对自动驾驶领域的视觉语言模型Qwen-Drive-1.0-4B。该模型基于预训练的视觉语言模型(VLM),集成了3D感知、视觉问答和运动规划功能。其鸟瞰图(BEV)感知模块可实现3D目标检测、语义占用预测和地图分割,同时…

智客信息 · 2026-09-08

Inception发布Mercury 2.5:扩散模型智能化的新高度

Inception公司推出Mercury 2.5版本,这是一款针对扩散模型(Diffusion LLMs)设计的智能系统,旨在提升生成式AI的智能化水平。Mercury 2.5通过优化模型架构与推理流程,在生成质量、效率和可控性方面实现了显…

智客信息 · 2026-09-08

AI对话分析新视角:22GB对话数据中71%为截图

Mint DZGAPP的研究团队对22GB的AI对话数据进行了深入分析,发现其中71%的内容为截图。这一发现揭示了AI对话中非文本数据的重要性和普遍性,并为AI系统优化提供了新的方向。研究指出,AI对话中大量截图的存在表明用户更倾向于通过视…

智客信息 · 2026-09-08

DeepSeek发布Flash 4.1版本:多模态支持、性能提升与成本优化

DeepSeek宣布其最新版本DeepSeek Flash 4.1进入内部测试阶段。该版本采用全新架构设计,支持原生多模态处理能力,并在性能、速度和成本方面实现了显著优化。用户可通过指定模型名称访问该版本,当前定价与DeepSeek Fla…

智客前沿 · 2026-09-08

OpenAI探讨AI能力与经济效益:推动更高效、更经济的增长模式

OpenAI发布了一篇关于AI能力与经济效益的研究性文章,探讨了更强大、更经济的AI如何扩展个人和企业的工作能力,并推动更高效、更经济的增长模式。文章指出,随着AI技术的进步,AI不仅能提升生产力,还能降低使用门槛,使更多企业和个人能够从中…

智客信息 · 2026-09-08

Reddit用户提出图像处理token使用量降低95%的创新方法

Reddit用户angelinusbread分享了一种创新的图像处理方法,该方法在保持与GPT-4o直接视觉处理相近准确性的前提下,将图像处理token使用量降低了约95%。该方法在MOMA Graph基准测试中进行了评估,使用了1315个…

智客前沿 · 2026-09-07

Meta发布Muse Spark 1.1:多模态推理与智能体任务处理能力大幅提升

Meta AI推出了Muse Spark 1.1,这是其多模态推理模型的最新版本,专为智能体任务设计。该版本在工具使用、编程、多模态理解等方面实现了重大性能提升,尤其在复杂项目处理、跨应用工作流协调以及长上下文管理方面表现出色。Muse S…

智客前沿 · 2026-09-07

Kimi发布Kimi K3:全球首个开源3T级多模态大模型

Kimi团队发布了其最新的大语言模型Kimi K3,这是全球首个开源的3T级模型,具备2.8万亿参数,支持原生多模态能力以及百万级token上下文窗口。Kimi K3在长时编程、知识工作和推理任务中表现出色,尤其在复杂软件开发和科学计算领域…

智客前沿 · 2026-09-07

LlamaIndex发布Agentic Document Processing:革新文档处理流程

LlamaIndex推出Agentic Document Processing(ADP),一种基于AI智能体的文档处理技术,旨在实现对复杂文档的精准理解与自动化处理。该技术通过理解文档上下文、推断意图并自我校验结果,显著提升了文档处理的准确…