SISO（Single Image Iterative Subject-driven Generation and Editing）是一种无需训练的推理时优化方法，能够从单张图像中个性化生成或编辑图像内容。该技术通过高效的优化算法，直接在推理阶段实现对图像主体的个...

视觉几何基础Transformer（Visual Geometry Grounded Transformer，简称VGGT）是一种前馈神经网络，能够直接从场景的一个、几个甚至数百个视角中推断出所有关键的3D属性，包括外部和内部相机参数、点云图、深度图以...

FastCuRL-1.5B-Preview 是一种基于课程强化学习（Curriculum Reinforcement Learning）的慢思维推理模型，该模型在较少的训练步骤中实现了最先进的性能，展示了其在复杂推理任务中的潜力。相比传统方法，FastCuRL 通...

近日，Dereflection Any Image（DAI）项目推出了一种基于扩散模型的图像反反射新技术，该技术利用高质量数据集和渐进式训练方法，显著提升了图像反反射的效果。反反射技术一直是计算机视觉领域的重要研究方向，尤其...

Video T1 是一种创新的视频处理技术，通过使用引导模型来拒绝不符合物理规律或用户指定提示的帧路径，显著提升了视频生成的质量。该技术的核心在于测试时计算（test time compute），这一方法在性能基准测试中表现出...

近日，Qwen团队发布了一款名为Qwen 2.5 32B的视觉语言模型，该模型不仅具备强大的多模态处理能力，而且完全开源，能够在消费级硬件上高效运行。这一重大突破为AI领域的研究者和开发者提供了更加灵活和便捷的工具，尤...

MCP（Model Context Protocol）是一项突破性技术，它使得像Claude和ChatGPT这样的AI工具能够无缝集成到用户的日常应用程序中，将原本孤立的聊天机器人转变为具备实际功能的强大助手。与传统方式不同，MCP无需用户手...

Baichuan Omni 1.5 是一款支持文本、图像、视频和音频输入以及文本和音频输出的开源全模态基础模型。该模型采用任意到任意（any-to-any）的设计风格，属于原生多模态模型的一种典型代表。其核心技术在于使用了交错的...