共 48 篇
扩散模型生成得越来越好，但也越来越慢。 近年来，以FLUX、Wan为代表的扩散生成模型，在文本生成图像、文本生成视频上，已经能产出高分辨率、细节丰富又语义一致的内容。 但它们都有一个共同的麻烦——推理依赖多步去噪，每一步都要完整调用一次大型生成网络，算力成本居高不下。 对图像生成来说，这会直接拖慢交互式创作和在线部署的响应；对视频生成来说，模型还要同时兼顾空间细节与时间连续性，计算量更大，对高效推理的需求也更突出。 为应对这一问题，西湖大学AGI实验室提出了BudCache：一种面向固定计算预算的扩散模型step-level cache方法。 和已有那些基于启发式阈值的缓存方法不同，BudCa
ElevenLabs的声音克隆和长文本音频生成质量确实很好，但也太贵了。
ElevenLabs的声音克隆和长文本音频生成质量确实很好，但也太贵了。
AI内容创作工具迈入Next Level！
4 月 20 日，Meta 和房地产与基建服务公司 CBRE 联合宣布推出 LevelUp，一个四周、完全免费的光纤技术员培训项目。今年夏天起，它将为 Meta 的美国数据中心工地培养 “数千名” 没有任何行业经验的新手。
OpenAI 的下一代图像模型 GPT-Image-2，今天在 Chatbot Arena 上被人发现了。独立开发者 levelsio 率先爆料，这个模型以三个代号悄悄上线了 Arena：maskingtape-alpha、gaffertape-alpha、packingtape-alpha。
vibe coding这个词，是一年前Karpathy造的，现在他自己不用了。110次实验，AI Agent自主跑完，全程没碰键盘，顺带还搭了套家庭监控分析系统。Box CEO Levie看完说了一句话：专家不会消失，但专家能做到的事，边界变了。
文本摘要作为自然语言处理（NLP）的核心任务，其质量评估通常需要兼顾一致性（Consistency）、连贯性（Coherence）、流畅性（Fluency）和相关性（Relevance）等多个维度。
2026 刚来到 2 月，无论是底层模型大厂还是初创公司统统加速开卷，其中 Agentic Memory 方向的快速进化更是把大模型的能力上限推向了 NEXT LEVEL!
AI 语音模型测试第三弹。 关于 AI 语音模型的测试，我们已经做过两期，两次覆盖了当时有些成绩（获得融资或者有市场声量）的模型。当时的结论是，虽然语音技术在持续进步，但是单纯靠模型本身的能力，离实际落地还有一段距离。 半年之后，语音赛道无论从融资上，还是从技术上，又都更进一步。 融资层面: · 赛道头部的 ElevenLabs 继 1 月份融资 2.5 亿美元，估值突破 30 亿美元后，9月份，又推出 1 亿美元员工股权回购计划，此次回购的估值高达 66 亿美元，相比年初翻倍。 · 10月23日，Sesame 完成 2.5 亿美元的 B 轮融资。 · 12月初，欧洲创企 Gradium，刚刚