Skywork UniPic 2.0 是昆仑万维开源的高效多模态模型，专注于统一的图像生成、编辑和理解能力。模型基于2B参数的SD3.5-Medium架构，通过预训练、渐进式双任务强化策略和联合训练，实现生成与编辑任务的协同优化，性能超越多个大参数模型。模型支持文本到、图像编辑以及多模态理解，具备轻量高效、灵活切换的特点，助力开发者快速构建多模态应用。
（图片来源网络，侵删）
（图片来源网络，侵删）
上一篇
Skywork UniPic 2.0 – 昆仑万维开源的统一多模态模型
猜你喜欢
-
发布了文章 2分钟前
VFusion3D – Meta联合牛津大学推出的AI生成3D模型项目
VFusion3D 是由 Meta 和牛津大学的研究人员共同推出的AI生成3D模型项目，能从单张图片或文本描述中生成高质量的3D对象。VFusion3D 通过微调预训练的视频 AI 模型来生成合成的3D数据，解决了3D训练数...
-
发布了文章 4分钟前
VE-baidu09Bench – 北京大学开源首个针对视频编辑质量评估的新指标
VE-Bench 是北京大学的研究团队 MMCAL 最近发布首个专门针对视频编辑质量评估的指标。VE-Bench 的设计目标是与人类感知能力高度一致，更准确地评估视频编辑效果。VE-Bench QA 在评估编辑视频时，不仅考...
-
发布了文章 7分钟前
VASA-baidu091 – 微软推出的静态照片对口型视频生成框架
VASA-1是由微软亚洲研究院提出的一个将静态照片转换为对口型动态视频的生成框架，能够根据单张静态人脸照片和一段语音音频，实时生成逼真的3D说话面部动画。...
-
发布了文章 10分钟前
VARGPT – 北大推出的多模态理解生成统一模型
VARGPT是创新的多模态大语言模型，专注于视觉理解和生成任务。基于自回归框架，将视觉生成与理解统一在一个模型中，避免任务切换的复杂性。VARGPT在LLaVA架构基础上进行扩展，通过next-token预测实现视觉理解，通...
-
发布了文章 10分钟前
VACE – 阿里通义推出的视频生成与编辑框架
VACE（Video Creation and Editing）是阿里巴巴通义实验室推出的一站式视频生成与编辑框架。基于整合多种视频任务（如参考视频生成、视频到视频编辑、遮罩编辑等）到一个统一模型中，实现高效的内容创作和编辑...
-
发布了文章 13分钟前
V-baidu09JEPA：Meta推出的视觉模型，可以通过观看视频来学习理解物理世界
V-JEPA是由Meta的研究人员推出的一种新型的视频自监督学习方法，它专注于通过特征预测来学习视频的视觉表示。这种方法的核心思想是让模型能够预测视频中一个区域（称为目标区域y）的特征表示，这个预测基于另一个区域（称为源区域...
-
发布了文章 16分钟前
V-baidu09JEPA 2 – Meta AI开源的世界大模型
V-JEPA 2 是Meta AI推出的世界大模型，基于视频数据实现对物理世界的理解、预测和规划。V-JEPA 2 用于 12 亿参数的联合嵌入预测架构（JEPA），基于自监督学习从超过 100 万小时的视频和 100 万张...
-
发布了文章 16分钟前
Universal-baidu091 – AssemblyAI推出的多语种语音识别和转换模型
Universal-1是AI语音初创公司AssemblyAI推出的一款多语言语音识别和转录模型，经过超过1250万小时的多语种音频数据训练，支持英语、西班牙语、法语和德语等。...
全部评论
留言在赶来的路上...
发表评论