搜索
南大王利民团队&腾讯混元的HYDRA系列（HYDRA，HYDRA-X）工作挑战了这个惯例，用一个基于ViT的统一视觉Tokenizer，帮助原生多模态模型更好地“看懂”和“创作”。训练一个基于ViT的Unified Tokenizer，使其同时具有理解和生成的能力，进而同时作为理解和生成的Autoencoder，来支持原生多模态模型（Unified Multimodal Models）的训练。
据彭博社记者古尔曼报道，苹果公司负责Vision Pro头显和智能眼镜业务的负责人保罗·米德（Paul Meade）即将离职，转而加入OpenAI。米德在苹果担任视觉产品事业部的硬件工程副总裁。古尔曼称，米德将于下周离开苹果，加入OpenAI的硬件部门，负责OpenAI即将推出的设备系列。
一款没有输入框的AI应用，正在北美高校悄悄走红。
今天几乎所有主流视觉语言模型（VLM）—— 无论是 Qwen-VL、InternVL，还是 LLaVA 系列 —— 都遵循着同一套经典架构：先用预训练视觉编码器（如 CLIP、SigLIP）将图像压缩为特征，再通过投影层把这些特征送入大语言模型。
豆包大模型2.1 Pro正式发布。但字节这次没有像某些厂商那样疯狂堆参数、刷榜单，而是把刀锋对准了一个更硬核的方向：让AI真正能“干活” 。作为本次大会发布的主力模型，豆包2.1 Pro 在 Coding（编程）、Agent（智能体）、VLM（视觉语言模型）三大核心方向实现能力跃升，多项评测表现优于Claude Opus 4.6
今天，阿里巴巴发布了其最新一代视频生成模型HappyHorse 1.1（快乐小马1.1）。阿里称，相比HappyHorse 1.1，这代模型在动态表现力、主体一致性、指令遵循、视觉质感和音频能力等维度有了一定提升。
日前，世界模型国际权威榜单 WorldArena 更新排名，中国科学院工业人工智能研究所徐凯研究员带领物理智能团队（The PAI Lab）自研的世界模型 PAIWorld 登顶。WorldArena 作为目前世界模型领域最权威的评测榜单，是针对具身世界模型的全方位评价体系，涵盖视觉质量、运动质量、内容一致性、物理遵循、三维准确性及可控性六大维度
近年来，大语言模型（LLMs）在长篇视觉叙事中展现出卓越潜力，生产方式正迅速从单一模型生成转向面向生产的智能体系统。但长视频剪辑仍然是一个极难控制的长期任务。模型有时会在缺乏素材依据的情况下强行生成，甚至在面对明显断档的转场或人物不一致时依然“盲目拼接”。
对于 AI 生成图像中可能存在的不自然伪影，我们是否不仅能够将其定位和解释，还能进一步对其进行修复，使图像恢复为更加真实、自然的视觉外观？围绕这一问题，来自北京大学等机构的研究者提出了 GenShield：一个统一的自回归框架，将 AI 生成图像检测 与 图像伪影修复 结合到同一个闭环中，实现从 “诊断” 到 “修复” 的一体化建模。
为什么推开源工具？在vibecoder到高级程序员都懂的原因，你能自己魔改成自家用的黑科技有什么不好？而且还不用订阅不花钱。为此，我们搞了这个游戏开发者的实用选型指南。每一个工具，都会告诉你：它适合做什么、不适合做什么、以及如何与AI工作流结合。