WPS 大家經常用來日常寫作，雖然本身提供了AI功能，但可惜需要會員，本文教你三分鐘接入最火的DeepSeek，讓WPS秒變辦公神器。 DeepSeek API申請地址：http:/...

這兩年大家都在感嘆生活不易，然而我想說的是，機會還是有的，但問題不在于有沒有，而在于你是否能夠認準機會，然后抓住它。 接觸過很多咨詢項目的人，發現...

KAT-V1是快手開源的自動思考（AutoThink）大模型，包含40B和200B兩個版本。模型融合思考與非思考能力，能根據問題難度自動切換思考模式。40B版本性能逼近Deep...

WorldVLA是阿里巴巴達摩院和浙江大學聯合推出的自回歸動作世界模型，模型將視覺-語言-動作（VLA）模型與世界模型整合到一個單一框架中。模型基于動作和圖像理...

Qwen VLo 是通義千問團隊推出的多模態統一理解與生成模型。在多模態大模型的基礎上進行了全面升級，能“看懂”世界，能基于理解進行高質量的再創造，實現了從感...

Kwai Keye-VL 是快手自主研發的多模態大語言模型，基于 Qwen3-8B 語言模型整合SigLIP初始化的視覺編碼器，支持動態分辨率輸入。模型能深度融合和處理文本、圖...

ImmerseGen是字節跳動的PICO團隊和浙江大學聯合推出的創新3D世界生成框架。框架根據用戶輸入的文字提示，基于Agent引導的資產設計和排列，生成帶有alpha紋理...

Next-Frame Diffusion（NFD）是北京大學和微軟研究院聯合推出的自回歸視頻生成模型，結合擴散模型的高保真生成能力和自回歸模型的因果性和可控性。Next-Frame...

V-JEPA 2 是Meta AI推出的世界大模型，基于視頻數據實現對物理世界的理解、預測和規劃。V-JEPA 2 用于 12 億參數的聯合嵌入預測架構（JEPA），基于自監督學習...

MiMo-VL 是小米開源的多模態大模型，由視覺編碼器、跨模態投影層和語言模型構成，視覺編碼器基于Qwen2.5-ViT，語言模型是小米自研的MiMo-7B。

Vid2World是清華大學聯合重慶大學推出的創新框架，支持將全序列、非因果的被動視頻擴散模型（VDM）轉換為自回歸、交互式、動作條件化的世界模型。模型基于視...

Runway Gen-4 是 AI 初創公司 Runway推出的高保真AI視頻生成模型。支持在多個場景中保持人物、物體和環境的一致性，無需額外精調或訓練。用戶提供一張參考圖...

視頻擴散模型（Video Diffusion Models, VDM）是一種結合了變分自編碼器（VAE）和擴散模型優勢的生成模型。VDM的核心思想是在潛在空間中進行擴散過程，而不是...

VideoVAE+（VideoVAE Plus）是香港科技大學團隊推出的先進的跨模態視頻變分自編碼器（Video VAE），通過引入新的時空分離壓縮機制和文本指導，實現了對大幅運...

基于DiT架構設計

基于DiT架構設計

原標題：再度狙擊OpenAI！“谷歌版”Sora深夜上線，4k視頻生成時代來了 文章來源：人工智能學家 內容字數：7502字谷歌推出全新視頻與圖像生成模型 在今日凌晨，...