让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」
让AI像人类画家一样边画边想，港中文&美团让模型「走一步看一步」在文生图（Text-to-Image）和视频生成领域，以FLUX.1、Emu3为代表的扩散模型与自回归模型已经能生成极其逼真的画面。
来自主题: AI技术研报
10365 点击 2025-12-22 16:05
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
在文生图（Text-to-Image）和视频生成领域，以FLUX.1、Emu3为代表的扩散模型与自回归模型已经能生成极其逼真的画面。
在 SIGGRAPH Asia 2025 期间，盛大 AI 东京研究院（Shanda AI Research Tokyo）以展台活动、BoF 学术讨论与顶尖教授闭门交流等形式完成首次公开亮相，标志着盛大在数字人的 “交互智能 (Interactive Intelligence)” 与世界模型的 “时空智能 (Spatiotemporal Intelligence)” 等两大方向的研究
尽管扩散模型在单图像生成上已经日渐成熟，但当任务升级为高度定制化的多实例图像生成（Multi-Instance Image Generation, MIG）时，挑战随之显现：
据《The Information》报道，OpenAI 正与投资者进行融资谈判，计划以 7500 亿美元的估值筹集数百亿美元资金。
如何让针对静态场景训练的3D基础模型（3D Foundation Models），在不增加训练成本的前提下，具备处理动态4D场景的能力？
如何让针对静态场景训练的 3D 基础模型（3D Foundation Models）在不增加训练成本的前提下，具备处理动态 4D 场景的能力？
当前，AI 领域的研究者与开发者在关注 OpenAI、Google 等领先机构最新进展的同时，也将目光投向了由前 OpenAI CTO Mira Murati 创办的 Thinking Machines Lab。
谷歌发布Gemini 2.5 Flash原生音频模型，不仅能保留语调进行实时语音翻译，更让AI在复杂指令和连续对话中像真人一样自然流畅。这一更新标志着AI从简单的「文本转语音」跨越到了真正的「拟人化交互」时代。
微软在《Cell》公布了最新成果：GigaTIME能把一张H&E切片翻译成过去稀缺的免疫图谱，并在人群尺度重建TIME。癌症免疫研究的许多旧限制，也因此开始松动。
在深入技术细节之前，我们先用一张漫画来直观理解 COIDO (Coupled Importance-Diversity Optimization) 解决的核心问题与方案：正如钟离在漫画中所言，面对海量视觉指令数据的选择任务，传统方法需要遍历全部数据才能进行筛选造成大量「磨损」（高昂计算成本）。同时在面对数据重要性和多样性问题时，传统方法往往顾此失彼。