搜索
GPT-4o-Image也只能完成28.9%的任务，图像编辑评测新基准来了！360个全部由人类专家仔细思考并校对的高质量测试案例，暴露多模态模型在结合推理能力进行图像编辑时的短板。
FLUX.1 Kontext是一款融合即时文本图像编辑与文本到图像生成的新一代模型，支持文本与图像提示，角色一致性强，速度快达GPT-Image-1的8倍。
现在，请大家一起数一下“1”、“2”。OK，短短2秒钟时间，一个准万亿MoE大模型就已经吃透如何解一道高等数学大题了！而且啊，这个大模型还是不用GPU来训练，全流程都是大写的“国产”的那种。
字节跳动开源了一个口碑还不错的模型——BAGEL （ByteDance Agnostic Generation and Empathetic Language model）, 一个统一多模态基础模型。啥叫“统一”？一个模型就能同时理解和生成文本、图像、视频！
最近，Yoodli宣布完成了1370万美元的A轮融资，由Neotribe Ventures领投，Madrona和Cercano等现有投资者跟投。这使得他们的累计融资超过2000万美元。但让我感兴趣的不仅仅是融资数字，而是这家公司正在创建的全新品类：AI角色扮演。
在建筑行业中，管理人员很容易与现场实际情况脱节。他们需要同时处理多项任务，包括掌握成本动态、与所有利益相关方沟通，以及评估与承包商账单和绩效等方面相关的风险。
AI生图新突破！一个模型同时接受文本和图像输入。
“要是这些历史能在地图上‘动’起来就好了！” 这个念头一直在我脑子里盘旋。我渴望能有一张直观的地图，让我轻松洞悉历史发展的脉络。目前人工智能浪潮奔涌而至，其在文本、图像乃至动画领域的创造力令人瞩目。我便想着，能否借助AI之力，将《枪炮、病菌与钢铁》所描绘的世界，真实地投射到一张交互式的地图之上？
多模态大模型（MLLM）在静态图像上已经展现出卓越的 OCR 能力，能准确识别和理解图像中的文字内容。MME-VideoOCR 致力于系统评估并推动MLLM在视频OCR中的感知、理解和推理能力。
每天宣扬「AI变革」的外媒Business Insider，终于看到这把屠龙刀落在了自己头上。刚刚，CEO宣布：裁员21%，全面拥抱AI！讽刺吗？那些亲手写下「AI将颠覆媒体」的记者们，正被AI亲手送下了楼。工会怒斥：这是对新闻的背叛，是对人类记者尊严的公然践踏！更可怕的是，今天是他们，明天会不会轮到你？