谢赛宁团队新作：不用提示词精准实现3D画面控制
谢赛宁团队新作：不用提示词精准实现3D画面控制曾几何时，用文字生成图像已经变得像用笔作画一样稀松平常。
来自主题: AI技术研报
7090 点击 2025-07-03 18:16
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
曾几何时，用文字生成图像已经变得像用笔作画一样稀松平常。
好夸张…… 参赛大模型全军覆没，通通0分。 谢赛宁等人出题，直接把o3、Gemini-2.5-pro、Claude-3.7、DeepSeek-R1一众模型全都难倒。
凌晨三点的 AI 实验室，键盘敲击声在空荡的房间回响。屏幕上，博士生小王、小李、小赵正疯狂调整模型参数，只为在 NeurIPS 截稿前将准确率从 98.2% 刷到 98.5%。
统一图像理解和生成，还实现了新SOTA。
谢赛宁十年前被NeurIPS（当时还叫NIPS）拒收的论文，刚在今年获得了AISTATS 2025年度时间检验奖。
o3和o4-mini视觉推理突破，竟未引用他人成果？一名华盛顿大学博士生发出质疑，OpenAI研究人员对此回应：不存在。
来自Meta和NYU的团队，刚刚提出了一种MetaQuery新方法，让多模态模型瞬间解锁多模态生成能力！令人惊讶的是，这种方法竟然如此简单，就实现了曾被认为需要MLLM微调才能具备的能力。
LeCun谢赛宁等研究人员通过新模型Web-SSL验证了SSL在多模态任务中的潜力，证明其在扩展模型和数据规模后，能媲美甚至超越CLIP。这项研究为无语言监督的视觉预训练开辟新方向，并计划开源模型以推动社区探索。
扩展无语言的视觉表征学习。
近年来，多模态大模型（MLLM）在视觉理解领域突飞猛进，但如何让大语言模型（LLM）低成本掌握视觉生成能力仍是业界难题！