统一模型
Definition
统一模型是指能够执行各种不同任务（如文本生成、图像识别和代码合成）的人工智能系统，而无需依赖单独的专业模型。
Summary
旨在单个框架内处理多项任务或多模态数据的AI架构。 …
Multimodal
文生视频
Definition
文生视频指的是基于自然语言输入创建动态视觉内容的生成式 AI 模型。这些系统分析文本提示中的语义含义，以合成连贯的视频序列。
Summary
文生视频是一项通过文本描述或提示生成 …
文生图
Definition
文生图指的是将生成式人工智能应用于根据自然语言描述合成逼真照片或艺术图像的技术。这些系统通常采用扩散模型（Diffusion Models），通过迭代去噪过程，将随机噪声转化为符 …
Moshi
Definition
Moshi 是由 Kyutai 创建的高级 AI 模型，它将语音和文本处理整合到一个统一的框架中。与传统系统在处理后转换语音为文本的系统不同，Moshi 学习联合表示。 …
Ltx Video
Definition
Ltx Video 代表了视频生成式 AI 的进步，利用潜在空间扩散过程创建连贯的运动和视觉细节。它解决了视频生成中常见的闪烁和不一致问题，确保生成的视频在时间维度上保持平滑和逻 …
图像文本到文本
Definition
图像文本到文本（Image Text To Text）指的是处理视觉输入并结合文本查询以产生连贯自然语言输出的模型。这些系统通常被称为视觉-语言模 …
Genie（视频生成模型）
Definition
Genie指的是一类专为视频合成设计的生成模型家族。由包括Google DeepMind研究人员在内的团队开发，这些模型旨在根据给定的输入（如文本描述或起始图像）生成连贯的视频序 …
Diffusers:Qwenimagepipeline
Definition
该管道调整了 Qwen-VL 模型的生成能力以用于图像合成。它允许用户通过提供文本提示或将文本与参考图像结合来生成高质量图像……
Summary
在 Diffusers …
DeepSeek VL V2
Definition
DeepSeek VL V2将标准语言模型的能力扩展到多模态领域，使其能够结合图像和文本进行解释。它利用连接到大型语言模型的视觉编码器，实现了对复杂视觉内容的深入理解和生成。 …
数据集：嵌入数据/Flickr30K 描述
Definition
Flickr30K Captions 是一个广泛使用的基准数据集，包含 31,783 张图像，每张图像都标注了五个不同的英文句子来描述视觉内容。它作为构建跨模态理解模型的基础资 …
耦合模式学习者
Definition
耦合模式学习者旨在处理来自两个不同空间且相互关联的数据实例，例如图像及其文本描述。通过建模联合分布或相关性…
Summary
一种算法方法，同时学习两个不同但相关的 …
对比式语言-图像预训练
Definition
对比式语言-图像预训练（CLIP）是一种在图像及其对应的互联网标题上训练的神经网络架构。它使用对比目标来最大化共现（图像-文本对的相似度）。
Summary
一种多模态预训练方 …
任意到任意
Definition
任意到任意指的是统一的 multimodal 架构，能够处理各种输入-输出组合，例如文本到图像、图像到文本或音频到视频。与专用模型不同，这些系统具有更高的灵活性。
Summary …
视觉语言模型
Definition
视觉语言模型通常被称为多模态大语言模型（MLLMs），它们整合了计算机视觉和自然语言处理技术。这些模型使AI能够理解图像并生成相应的文本描述或回答。
Summary
视觉语言模型 …
跨模态（cross-modal）
Definition
跨模态人工智能涉及处理和关联来自不同模态的数据，例如结合视觉、听觉和文本输入。这些系统学习共享表示以理解关系…
Summary
整合和处理不同感官数据类型（如文本和 …
视觉（Visual）
Definition
AI 中的“视觉”一词主要涉及计算机视觉领域，该领域致力于使机器能够从数字图像、视频和其他视觉输入中提取有意义的信息。它涉及图像处理、对象检测等技术。
Summary
与视力或图 …
生成
Definition
在人工智能中，生成是指模型（特别是生成对抗网络 GAN 和基于 Transformer 的大语言模型）产生文本、图像等新颖内容的能力。
Summary
生成式模型创建与训练分布相 …