Harmon：协调视觉表征，统一多模态理解和生成（模型已开源）
Harmon：协调视觉表征，统一多模态理解和生成（模型已开源）GPT-4o 生图功能的出现揭示了统一理解与生成模型的巨大潜力，然而如何在同一个框架内协调图像理解与生成这两种不同粒度的任务，是一个巨大的挑战。
来自主题: AI技术研报
9954 点击 2025-05-10 13:35
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
GPT-4o 生图功能的出现揭示了统一理解与生成模型的巨大潜力，然而如何在同一个框架内协调图像理解与生成这两种不同粒度的任务，是一个巨大的挑战。
Anthropic 推出了一项新 API，使其 Claude AI 模型能够进行全网搜索。该公司在 5 月 7 日发布的新闻稿中表示，开发者利用此 API 可构建基于 Claude 的应用，提供最新信息。
随着Gemini、GPT-4o等商业大模型把基于文本的图像编辑这一任务再次推向高峰，获取更高质量的编辑数据用于训练、以及训练更大参数量的模型似乎成了提高图像编辑性能的唯一出路。然而浙大哈佛这个团队却反其道而行之，仅用以往工作0.1%的数据量（获取自公开数据集）和1%的训练参数，以极低成本实现了图像的高质量编辑，在一些方面媲美甚至超越商业大模型！
上个月， GPT-4o 的图像生成功能爆火，掀起了以吉卜力风为代表的广泛讨论，生成式 AI 的热潮再次席卷网络。
你以为大模型已经能轻松“上网冲浪”了？
GPT-4o更新后“变谄媚”？后续技术报告来了。
我又发现好东西了！前几天在 Artificial Analysis 上发现了一个新模型：17B 参数的国产模型 HiDream-I1排到第二名，和 GPT-4o 得分非常接近！
医疗大模型知识覆盖度首次被精准量化！
昨晚，奥特曼在 X 上发了条帖子，大意是由于发现 GPT-4o 「过于谄媚」的问题，所以从周一晚上开始回滚 GPT-4o 的最新更新。
坏了，AI 当「舔狗」这件事藏不住了。今天凌晨，OpenAI CEO Sam Altman 发了一个有趣帖子，大意是：由于最近几轮 GPT-4o 的更新，导致其个性变得过于阿谀奉承，因此官方决定尽快进行修复。