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...

FFaceNeRF是一种基于NeRF（神经辐射场）的3D人脸编辑技术，通过克服传统NeRF方法中固定蒙版的限制，显著提升了3D人脸编辑的灵活性和精度。NeRF作为近年来计算机视觉领域的热门技术，能够在3D场景重建中生成高质量的...

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...

OpenAI最新发布的GPT-4o在图像生成领域取得了显著进展，其核心亮点包括精确的文本渲染、强大的指令跟随能力以及多轮编辑功能。这些新特性不仅提高了生成图像的质量，还增强了其在复杂任务中的灵活性和实用性。GPT-4o...

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...

LLaVA-MORE 是一项关于多模态大语言模型（Multimodal Large Language Models, MLLMs）的系统性研究，旨在评估不同语言模型和视觉骨干网络在 MLLMs 中的表现，并提供一个可复现的框架来比较这些架构。通过该研究，研...

Roblox近日开源了其最新的AI模型Cube 3D，该模型能够通过文本提示生成3D对象，旨在提升创作效率。Cube 3D采用了先进的标记化技术，并通过授权和公开可用的数据集，以及Roblox自身的体验数据进行训练。未来，Cube 3D...