谷歌开发者博客宣布，其先进的文本生成图像模型Imagen 4系列现已在Gemini API中全面开放使用，同时推出性能优化的Imagen 4 Fast版本。这一里程碑式更新标志着多模态AI技术进入工业化应用阶段，开发者可基于该API实现...

Meta公司最新推出的DINOv3是一种可扩展的自监督学习模型，在包括网络图像和卫星图像在内的多种图像领域均实现了最先进的性能表现。这一突破性技术采用自监督学习范式，无需依赖大量标注数据即可从海量无标签图像中学...

苹果公司近日在GitHub开源了Embedding Atlas项目，这是一款专为大规模嵌入数据设计的交互式可视化工具。该工具通过WebGPU加速实现高性能渲染，支持自动数据聚类标注、实时交叉筛选和元数据搜索三大核心功能。其技术...

GitHub开源项目ScreenCoder推出了一项突破性技术，通过模块化多智能体架构实现UI设计稿到代码的自动化转换。该系统具备三大核心技术能力：1）基于计算机视觉的界面元素识别；2）动态布局规划算法；3）自适应代码生成...

本文详细介绍了一种前沿的AI购物助手的开发过程，该助手能够浏览在线服装商店、定位特定服装，并生成虚拟试穿预览，展示服装在用户身上的效果。该技术结合了计算机视觉、自然语言处理和机器学习的最新进展，通过Grad...

Runway Research最新发布的Aleph视频模型标志着视频生成与编辑技术的重要突破。该模型具备上下文感知能力，可在视频中进行对象操作、视角转换、风格迁移和光照调整等高保真度编辑任务。其核心技术在于实现了对视频内...

Morphik.ai公司创新性地提出了一种基于视觉的文档检索方法，该方法摒弃了传统的OCR（光学字符识别）和解析技术，转而采用文档页面的图像作为处理对象。通过将文档图像分割成小块，并利用视觉Transformer和语言模型，...

视觉AI平台服务商Bria近日在Hugging Face发布新一代开源文本生成图像模型BRIA-3.2，其技术突破引发行业关注。该模型仅用4B参数即实现与Adobe Firefly 4.0和Flux[Dev]相当的图像生成质量，且模型体积缩小至三分之一，...