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 · 8 / 638 篇内容

智客前沿 · 2025-06-26

Qwen发布VLo模型:实现多模态理解与生成能力融合

Qwen团队推出全新多模态大模型Qwen VLo,该模型不仅具备对图像内容的深度理解能力,还能基于理解生成高质量的再现内容,标志着从感知到创造的跨越。Qwen VLo是Qwen系列在多模态领域的又一次重大升级,通过统一的多模态架构实现了感知…

智客前沿 · 2025-06-04

AGI并非多模态:重新审视智能的本质与AI发展方向

本文深入探讨了当前AI领域对通用人工智能(AGI)的理解误区。作者指出,多模态AI模型虽然在特定任务上表现出色,但难以真正模拟人类的智能行为,因为它们缺乏对物理世界的基础性理解。作者主张,AGI的实现应更关注智能的具身化与交互性,而非简单地…

智客前沿 · 2025-05-28

DeepSeek发布R1-0528版本:性能提升与功能扩展

DeepSeek发布了其最新版本R1-0528,该版本在基准测试性能、前端能力、幻觉减少以及JSON输出和函数调用支持方面均有显著提升。R1-0528还支持更智能的交互模式,并提供开源权重供开发者使用。这一更新标志着DeepSeek在提升模…

智客前沿 · 2024-03-19

Google发布ScreenAI:面向UI与信息图表的视觉语言模型

Google Research推出了一款名为ScreenAI的视觉语言模型,旨在解决用户界面(UI)和信息图表(如图表、图形和表格)的理解和交互问题。ScreenAI基于PaLI架构,并引入了pix2struct的灵活补丁策略,通过对UI元…

智客前沿 · 2020-11-19

Hugging Face发布Kornia DDA:实现可微数据增强的PyTorch集成方案

Hugging Face发布了Kornia可微数据增强(DDA)模块,该模块利用Kornia的可微计算机视觉解决方案,旨在将数据增强(DA)流程与现有PyTorch组件(如自动微分和优化器)无缝集成。该模块支持空间(2D)和体素(3D)张量…