#多模态生成
共 44 篇相关文章
·16 分钟
DeepSeek开源Harness框架：AI竞争从模型转向智能体与基础设施
DeepSeek开源智能体框架Harness，12小时GitHub狂揽5万星标；Claude攻克黎曼猜想相关难题；OpenAI晶圆级芯片推理提速14倍。AI竞争主战场正从模型能力向智能体框架和底层基础设施全面扩散。
阅读全文 →
·11 分钟
英伟达曝光SpaceX持仓成第六大股东，Codex解锁百万上下文窗口
英伟达首次披露持有SpaceX约1.228亿股成为第六大股东，Stripe超70亿美元收购OpenRouter，OpenAI Codex开放百万级上下文能力，美团Agent覆盖9万员工。本文汇总本周AI圈资本动作与技术突破。
阅读全文 →
·15 分钟
LTX 2.5发布：AI视频生成模型迭代加速，开源轻量化路线再进一步
LTX 2.5正式发布，延续Lightricks轻量化AI视频生成路线，在推理速度和输出质量上持续优化。本文分析LTX 2.5的定位演进、与MiniMax 3等竞品的竞争格局，以及快速迭代下用户的应对策略。
阅读全文 →
·15 分钟
Gemini 3.7 Flash发布：智能体经济学之争全面打响
Google DeepMind发布Gemini 3.7 Flash，聚焦编程与智能体能力，激进定价抢占市场。OpenAI推出Ultrafast押注延迟，DeepSeek持续施压成本效率，AI行业智能体经济学竞争格局深度解析。
阅读全文 →
·15 分钟
Codex从入门到精通：全能AI智能体使用指南
深入解析OpenAI Codex的完整使用方法，涵盖四个版本选择、项目与对话区别、权限模式、技能插件系统及办公实战技巧，帮你从零掌握这款超越编程的AI智能体工具。
阅读全文 →
·9 分钟
Claude Code默认自动模式、OpenAI延缓Astra、苹果国行接入千问
Anthropic宣布Claude Code默认启用自动模式，OpenAI因安全评估首次延缓前沿模型Astra发布，苹果国行Mac确认接入阿里千问。深度解析AI自动化深化、安全治理收紧与本地化合规三大趋势。
阅读全文 →
·15 分钟
LTX-2开源：音视频一体化生成模型完整解析
深度解析Lightricks开源的LTX-2音视频一体化生成模型，涵盖官方Python推理工具包、LoRA微调训练器的核心能力，以及音画同步生成的技术优势与实际应用场景。
阅读全文 →
·17 分钟
MiniMax H3低分辨率音频生成技巧：32×32像素实现近实时出声
探索MiniMax H3模型在32×32极低分辨率下实现近实时音频生成的技巧。通过ComfyUI默认工作流，三步操作即可将视频模型降维为高效音频生成器，快速迭代对白与音效素材。
阅读全文 →
·7 分钟
AI硕士研究方向怎么选？面向就业的实用决策框架
以就业为目标的AI硕士生如何选择研究方向？从技能可迁移性出发，逐项分析动作识别、EEG图像生成、情感计算、因果推断等方向的工业价值，提供实用的方向选择策略与建议。
阅读全文 →
·13 分钟
Wondering：像玩多邻国一样学习任何知识的AI学习工具
Wondering是一款AI驱动的个性化学习应用，被称为「Duolingo for learning anything」。它将复杂知识拆解为碎片化课程，融合视觉、音频和互动练习，让你像玩多邻国一样轻松学习任何主题。本文深度解析其产品逻辑与技术原理。
阅读全文 →
·6 分钟
MiniMax H3本地生成AI视频：部署方法、硬件要求与实测分析
深入解析MiniMax H3本地视频生成能力，探讨本地部署AI视频模型的硬件要求、优势与挑战，以及AI视频生成从云端走向本地化的趋势。
阅读全文 →
·8 分钟
无需Python：一款统一多模态本地AI生成CLI工具
一款无需Python环境的命令行工具，支持在本地完成文本、图像、视频、音乐和3D内容生成。了解这款多模态CLI工具的技术思路、优势与局限，以及本地AI工具化的发展趋势。
阅读全文 →
·11 分钟
7月24日AI早报：Flux 3多模态发布、Kimi K3测评落后、通义登顶TTS
7月24日AI行业要闻：黑森林实验室发布Flux 3多模态模型，美英政府测试显示Kimi K3落后前沿模型，阿里通义Qwen-Audio 3.0登顶TTS排行榜，Etched完成3亿美元融资，AMD发布MI430X加速器。
阅读全文 →
·7 分钟
Midjourney多元扩张：从AI绘画到医疗、星座占卜的跨界逻辑
Midjourney从AI图像生成工具扩张到医疗扫描、水疗中心和星座占卜应用，看似混乱的多元布局背后，隐藏着生成式AI横向渗透的清晰战略逻辑。深度解析这家AI公司的跨界野心。
阅读全文 →
·4 分钟
AI视频创作实践：独立创作者如何用生成技术构建奇幻世界观
一位独立创作者借助AI视频与角色演绎技术，打造原创奇幻项目《Chronicles of Aztleau》。本文深度解析AI叙事创作的实践门槛、社群运营策略与内容价值，探讨生成式AI如何推动创作民主化。
阅读全文 →
·8 分钟
Gemini Omni实测：谷歌全模态视频生成能力深度解析
深度实测谷歌Gemini Omni全模态AI模型，涵盖视频生成操作流程、提示词技巧、画面质量表现及与Sora等竞品的全面对比，帮助内容创作者评估其实际可用性。
阅读全文 →
·16 分钟
GPT-5.6与Grok 4.5同期发布，Meta推出Agent图像模型
OpenAI GPT-5.6扩大预览、xAI Grok 4.5同期开放、Meta发布Agent形态Muse Image图像模型及Muse Video视频模型，苹果与DeepSeek启动自研AI推理芯片计划。一文速览本周AI圈最值得关注的五大动态。
阅读全文 →
·5 分钟
一张照片+语音录音，生成身份锁定说话视频的本地工作流
基于LTX-2.3与Face-ID LoRA的开源工作流，输入一张照片和语音录音，即可生成身份锁定的说话视频。支持CUDA与Apple Silicon双平台本地运行，无需换脸，音视频联合去噪实现精准口型同步。
阅读全文 →
