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

智客信息 · 2026-08-21

GitHub AI趋势:AI研究新方向与工具创新盘点

本文基于GitHub AI Trending Releases频道,梳理了近期AI领域的热点趋势与创新工具,包括DeepSeek的AI推理引擎优化、Seed自修改智能体框架开源、MEG内存优化引擎的突破性进展,以及arXiv上关于AI推理智…

智客信息 · 2026-08-21

DeepSeek发布V4 Flash:单MI300X芯片实现高效AI推理性能

DeepSeek发布了其最新AI推理引擎V4 Flash,该版本在单个AMD MI300X芯片上实现了显著的性能提升。V4 Flash针对高效AI推理进行了优化,展示了在资源受限环境下的强大计算能力。这一发布标志着DeepSeek在AI推理…

智客信息 · 2026-08-21

OpenAI发布Codex平台:构建开放智能体框架

OpenAI宣布推出Codex平台,旨在构建一个开放智能体框架。该平台允许开发者利用Codex的强大功能来创建智能体应用,通过开放API和工具集,开发者可以更便捷地集成AI智能体功能,推动智能体在自动化、协作和交互领域的应用。这一发布标志着…

智客前沿 · 2026-08-21

Google DeepMind与游戏工作室合作,探索AI游戏玩法突破

Google DeepMind宣布与多家游戏工作室合作,共同开发基于AI的创新游戏玩法。该合作旨在通过AI技术提升游戏体验,探索从策略规划到实时决策等领域的突破性应用。这一举措不仅展示了AI在游戏开发中的潜力,也为未来游戏设计提供了新的方向…

智客信息 · 2026-08-21

阿里发布Qwen Image 3.0 Pro:新一代视觉模型API平台

阿里巴巴近日推出了新一代视觉模型Qwen Image 3.0 Pro,旨在提升图像识别、目标检测等视觉任务的性能表现。作为Qwen系列模型的最新版本,Qwen Image 3.0 Pro在多模态AI领域实现了进一步扩展,为开发者提供了更强大…

智客前沿 · 2026-08-20

arXiv提出情绪中心九点法:跨模态情感迁移的无监督情感轴发现

arXiv发布了一项关于情绪中心九点法的研究,提出了一种通过仅使用9个情绪类别名称和每种情绪的50个短叙事段落(较传统监督方法减少约1500个标签),发现跨文本、视觉、音频和脑电信号中通用的情感轴(V轴)的方法。该方法在多个基准测试中表现出…

智客前沿 · 2026-08-19

Google推出Gemini学生中心:为教育场景提供AI学习助手新功能

Google宣布在Gemini中推出一个专为学生设计的学习中心,提供集成的AI学习工具,包括研究笔记、闪卡生成、模拟测验等功能。该中心支持图表和图像,并可自动将考试日期和截止时间添加到Google日历中。Google还增强了Gemini L…

智客信息 · 2026-08-19

OpenRouter 平台上线 GLM-5.3 模型:多模态 AI 能力升级

OpenRouter 平台宣布上线 GLM-5.3 模型,标志着该多模态 AI 模型在功能和应用场景上的进一步升级。GLM-5.3 延续了其在跨模态理解和生成任务中的优势,并在语义对齐、推理深度和跨领域知识融合方面取得显著提升。该版本通过优…

智客信息 · 2026-08-19

arXiv发布MMGFS架构:突破多模态问答技术瓶颈

arXiv近日发布了一种名为多模态生成模糊系统(MMGFS)的新型架构,旨在解决当前多模态问答(MQA)模型在跨模态协作理解、推理深度和语义匹配方面的技术瓶颈。MMGFS通过引入模糊规则和多跳推理机制,实现了跨领域知识融合与层次化推理,有效…

智客信息 · 2026-08-19

arXiv发布MMGFS:突破多模态问答技术瓶颈的新架构

arXiv近日发布了一种名为多模态生成模糊系统(MMGFS)的新型架构,旨在解决现有多模态问答(MQA)模型在跨模态协作理解、推理深度和语义匹配方面的技术瓶颈。MMGFS通过引入模糊规则和多跳推理机制,实现了跨领域知识融合与层次化推理,有效…

智客前沿 · 2026-08-18

Hydra-0发布:基于动作流的通用世界建模与控制框架

Hydra-0 是一款基于动作流的新型通用世界模型,通过将机器人动作表示为像素运动,实现了跨不同实体、任务、环境和视频生成框架的学习。该模型在机器人运动误差和物体运动误差方面分别降低了90.4%和60.2%,并支持零样本组合和数据高效适应。…

智客前沿 · 2026-08-18

MMGFS:基于模糊推理的多模态生成系统突破多模态问答技术瓶颈

arXiv发布了一种名为多模态生成模糊系统(MMGFS)的新型架构,旨在解决现有多模态问答(MQA)模型面临的跨模态协作理解不足、推理深度有限以及语义匹配不充分等问题。MMGFS通过引入模糊规则和多跳推理机制,实现了跨领域知识融合与层次化推…

智客信息 · 2026-08-17

DeepSeek发布V4 J-Space版本:探索AI模型新空间能力

DeepSeek团队在GitHub上发布了关于其最新版本V4 J-Space的技术实现报告,标志着AI模型在空间计算能力上的重要突破。J-Space技术旨在通过优化模型的空间表示与计算机制,提升AI在复杂任务中的表现,如多模态数据处理和长时…

智客前沿 · 2026-08-17

arXiv提出机器人主动感知框架:解决具身环境中的目标歧义问题

arXiv发布了一项关于机器人主动感知的研究,提出了一种用于具身目标消歧的框架。该框架通过主动观察获取物理信息,并结合视觉-语言模型判断是否继续观察、请求澄清或完成目标选择,从而解决因遮挡、视角受限或目标未观察到的歧义问题。实验表明,该方法…

智客前沿 · 2026-08-17

研究揭示:LSP语义检索对AI编程智能体效率的影响

一项来自arXiv的新研究探讨了编程智能体在检索任务中使用的不同方法对效率的影响。研究通过对比基于Language Server Protocol (LSP)的语义检索与传统的基于词法的grep检索,发现LSP在某些任务中虽然提高了精度,但…

智客前沿 · 2026-08-14

Hugging Face发布2026年夏季开源模型现状报告:AI开源生态全景洞察

Hugging Face发布了2026年夏季开源模型现状报告,深入分析了当前AI开源生态系统的技术进展、挑战与趋势。报告涵盖多个关键领域,包括模型性能提升、多模态能力扩展、安全性增强以及开源社区的协作模式。报告指出,开源模型在处理复杂任务和…

智客前沿 · 2026-08-14

Meta发布扎克伯格AI愿景:推动AI未来发展的关键战略

Meta创始人兼CEO马克·扎克伯格本周发布了一篇关于AI未来的长文,详细阐述了他对AI发展的愿景与战略方向。这篇内容丰富的文章涵盖了AI技术的未来趋势、潜在应用场景以及Meta在AI领域的核心布局。扎克伯格强调AI的普惠性,并呼吁行业在技…

智客前沿 · 2026-08-14

KDnuggets推荐5篇必读的Agentic AI论文

KDnuggets网站推荐了5篇关于AI智能体(Agentic AI)的研究论文,涵盖了智能体在复杂任务中的推理、学习和行为优化等关键领域。这些论文展示了AI智能体领域的最新研究进展,为开发者和研究人员提供了重要的技术参考。