2025年10月17日
1 分钟
Lumina-DiMOO 来了 统一多模态新纪元
多模态 AI 的边界正在不断拓展一个能够无缝处理多种数据形式并进行生成与理解的统一模型始终是人工智能研究的核心目标。Lumina-DiMOO 的出现标志着这一目标又向前迈出了重要一步它以独特的技术路径描绘了未来的多模态交互图景。 Lumina-DiMOO 揭秘 Lumina-DiMOO 由 Alph...
探索前沿技术，分享实践经验，追踪行业动态
IBM Research 发布了 granite-docling-258M 模型 这是一款专为高效文档转换设计的图像文本到文本多模态模型 它在 Idefics3 架构基础上进行了关键改进 用 siglip2-base-patch16-512 替换了视觉编码器 并集成了更轻量的 Granite 165...
Rhymes AI 最新推出了 Aria 模型 它以业界首个开源多模态原生 Mixture-of-Experts MoE 模型的姿态 重新定义了 AI 领域的交互与理解范式。Aria 的核心在于其能够同时处理文本 图像 视频以及代码等多种模态输入 并在这些任务上展现出卓越的性能。 多模态原生性能突...
如果你只用 ComfyUI 一个工具，这部分可以跳过，但了解自定义模型路径还是挺有用的，能帮你更好地管理文件。下面我们一步步来看怎么让 ComfyUI 和其他 Stable Diffusion WebUI（如 A1111）共享模型资源，或者设置专属的模型存储位置。我们主要针对两个常见版本：Comfy...
Meta Llama 4 Maverick 和 Scout 模型近日在 Hugging Face Hub 上发布 这标志着大型语言模型发展的一个重要飞跃 两款模型均采用原生多模态 MoE 架构 不仅能力强大 而且在长文本处理方面展现了惊人创新 Llama 4 技术亮点 Llama 4 是 Meta...
1. ComfyUI 基本介绍 ComfyUI 是一个基于节点的图形用户界面（GUI），最初专为 Stable Diffusion 设计，但如今支持广泛的 AI 图像生成模型，包括 Stable Diffusion 的各种变体如 SD 1.5 和 SDXL，以及 Flux、自定义微调模型等。它专注...
阿里巴巴 Qwen 团队推出了开创性的 Qwen3-Omni 多模态大模型。这款模型旨在重新定义 AI 与世界的互动方式，它原生支持端到端的多模态处理，能够同时理解和生成文本、图像、音频和视频内容，并以自然的语音和文本形式进行实时流式响应。 架构创新驱动性能飞跃 Qwen3-Omni 并非简单地堆叠...
CohereLabs 近日发布了其旗舰级视觉语言模型 Command A Vision，这是一款拥有开放权重的尖端多模态 AI。该模型在继承 Command A 强大文本能力的基础上，实现了卓越的视觉任务性能，尤其针对企业级应用场景进行了深度优化。 专为企业打造的强大性能 Command A Vi...
近期 Hugging Face 推出了名为 SmolVLM 的 2B 视觉语言模型系列 这标志着 AI 领域在追求模型效率和本地部署方面迈出了重要一步。SmolVLM 以其卓越的内存占用表现 在同类模型中脱颖而出 提供了小巧 快速 且内存高效的解决方案 更关键的是它完全开源。 大规模多模态 AI 模...
腾讯近期正式发布了 HunyuanImage 3.0 这款模型以其 80B 的参数规模和工业级原生多模态架构 成为目前开源生图领域的佼佼者。它不仅免费开放使用 其生成效果和语义理解能力已能对标业界头部闭源模型 为 AI 爱好者和开发者带来了前所未有的创作工具。 原生多模态架构 解锁思考型创作 Hun...
Google 正式推出 Gemma 家族的最新力作 Gemma 3，这标志着开源 AI 领域又一次重要突破。Gemma 3 不仅继承了前代模型的优秀基因，更在多模态理解、多语言支持以及超长上下文处理方面实现了飞跃，为开发者和研究者提供了前所未有的强大工具。 Gemma 3 核心亮点 Gemma 3...
inclusionAI 团队近日发布的 Ming Lite 万能模型，是一款仅需 2.8 亿激活参数的轻量级多模态模型，却实现了前所未有的全模态感知与生成能力，首次在开放领域向 GPT-4o 的多模态支持范围发起挑战，无疑是 AI 社区的一枚重磅炸弹。 轻量级身段的万能选手 我们常常认为，要实现图像...
Gen-Verse 最近推出了一款名叫 MMaDA-8B-Base 的新型多模态扩散基础模型，它不只专注于文本生成图像，更在文本推理和多模态理解上展现出令人惊艳的能力。这不仅仅是功能堆叠，更是一种底层架构上的统一尝试，预示着未来 AI 基础模型可能走向真正的万能之路。 核心技术亮点 MMaDA 之所...
最近，我被 Hugging Face 热门榜上的一篇论文深深吸引，那就是昨天刚刚发布的 OmniHuman-1.5。它不只是生成逼真视频，更是由 OmniHuman Lab 团队让数字人第一次拥有了思考能力，能根据情境做出有意义的动态反应。这和以往那些被动回应输入的系统，有着本质区别。 OmniHu...
朋友们，最近我在 Hugging Face 上发现一个名为 HuMo 的模型，它不只是能生成视频，更专注于创作高质量、可控的人物视频，而且还支持多种输入模式，彻底颠覆了以往我们对 AI 视频生成能力的认知。 核心亮点 HuMo 的超能力 想象一下，用文字描述人物动作，用一张图锁定人物外观，再配上声音...
Unsloth 推出了 Magistral 1.2，这不仅是一个强大的多模态小模型，更代表了本地部署和高效推理的新方向。它凭借 Unsloth Dynamic 2.0 技术实现了卓越的量化性能，让顶级 AI 能力触手可及。 开篇速览 Magistral 1.2 Magistral Small 1.2...
最近，PerceptronAI 带来了他们的首款感知语言模型 Isaac-0.1，这款仅有 25.7 亿参数的开源模型，却宣称能在物理世界交互方面达到甚至超越比它体量大 50 倍的模型，这无疑是 AI 领域的一个重磅发现。 我个人认为，Isaac-0.1 的出现，正颠覆着我们对只有巨型模型才能处理复...
![Flux.1-Krea[dev]艺术风格提示词指南](/og/2025/9/kkqowjglniwwixkbpmgcvapbnvf.png)
小绩在这里为读者分享如何通过精心设计的提示词，借助 Flux.1-Kreadev生成令人惊叹的艺术作品。以下精选了多种艺术风格的提示词示例，涵盖浪漫主义、复古肖像、超现实主义等，旨在激发灵感。每个示例都包含英文提示词和中文翻译，方便读者理解和使用。文章最后还附上了一些撰写提示词的小技巧，助你打造独一...
