OpenAI Developers@OpenAIDevsWe've fixed a bug that was degrading image understanding in GPT-6 Sol and GPT-6 Luna. You should now…
DịchOpenAI đã sửa lỗi kỹ thuật gây ảnh hưởng đến khả năng xử lý hình ảnh trên GPT-6 Sol và GPT-6 Luna. Người dùng hiện có thể trải nghiệm kết quả chính xác hơn trong các tác vụ thị giác qua API, Codex và tính năng computer use.
KwaiMind là mô hình nền tảng từ Kuaishou giúp tối ưu hóa hình ảnh sản phẩm thương mại điện tử, hỗ trợ chỉnh sửa chi tiết, thay đổi bối cảnh và tăng tỷ lệ nhấp chuột thực tế lên 2,44%.
Các nhà nghiên cứu tận dụng kho dữ liệu video khổng lồ từ internet để huấn luyện robot, giúp sai số giảm dần theo quy luật lũy thừa khi quy mô dữ liệu tăng lên.
Nghiên cứu chỉ ra rằng các mô hình tạo video hiện nay thường vi phạm quy luật vật lý do lỗi trong cơ chế Attention và sự suy giảm không gian từ RoPE, dẫn đến việc định hình chuyển động sai lệch ngay từ giai đoạn khử nhiễu đầu tiên.
Paint-Anything là mô hình mới cho phép người dùng chỉ định chính xác mã màu hex cho từng đối tượng trong ảnh, giải quyết hạn chế của các phương pháp cũ thông qua tập dữ liệu Paint-500K và cơ chế neo màu sắc.
OmniVBench giải quyết hạn chế của các chuẩn đánh giá cũ bằng cách cung cấp bộ dữ liệu quy mô lớn và giao thức kiểm tra chi tiết cho các mô hình tạo video từ tham chiếu (R2V), giúp tối ưu hóa khả năng kiểm soát nội dung và chuyển động.
Nghiên cứu này đề xuất phương pháp đánh giá mới cho Image Tokenizer thông qua việc theo dõi tổn thất (loss) trong quá trình huấn luyện đa phương thức, giúp hiểu rõ cách các token thị giác và văn bản tương tác để tối ưu hóa hiệu suất mô hình.
TempCloze là bộ tiêu chuẩn đánh giá mới giúp kiểm tra khả năng hiểu trình tự thời gian của Video-LLM bằng cách yêu cầu mô hình chọn đoạn video bị thiếu ở giữa. Nghiên cứu chỉ ra rằng các mô hình hiện nay vẫn gặp khó khăn lớn trong việc nắm bắt sự liên kết và tiến trình của các sự kiện.
Puppeteer là mô hình khuếch tán mới giúp tạo cử chỉ cơ thể tự nhiên, đồng bộ với lời nói và có tính đến tư thế cũng như các vật thể xung quanh, giải quyết hạn chế của các mô hình trước đây.
Nghiên cứu giới thiệu phương pháp chỉnh sửa 3D trực tiếp mà không cần dữ liệu cặp, bằng cách chưng cất tri thức thị giác và hình học từ các mô hình nền tảng thông qua quy trình render vi phân.
UCF-Net là mạng lưới kết hợp tầng mới giúp phát hiện Deepfake bằng cách tận dụng tri thức ngữ nghĩa từ CLIP và cấu trúc thị giác từ DINO, giúp mô hình nhận diện tốt hơn các loại giả mạo chưa từng gặp.
ReactVAU giải quyết bài toán giám sát thời gian thực bằng cách kết hợp mô-đun phát hiện nhanh để lọc dữ liệu và mô-đun suy luận chuyên sâu chỉ kích hoạt khi có sự kiện nghi vấn, giúp tối ưu hóa hiệu suất mà vẫn đảm bảo tính chính xác.
SceneMosaic kết hợp ưu điểm của mô hình tạo ảnh 3D và tác nhân AI để tạo ra các bối cảnh nội thất đa dạng, chính xác về vật lý, giúp tối ưu hóa quy trình cho AI hiện thân và giải trí tương tác.
Đội ngũ BitInfinite phối hợp cùng Đại học Vũ Hán đã xuất sắc giành vị trí quán quân tại cuộc thi CAD Challenge thuộc hội nghị ECCV 2026, khẳng định vị thế dẫn đầu trong lĩnh vực tạo lập mô hình 3D thông minh có khả năng ứng dụng thực tế.
KnowChange là khung tổng hợp dữ liệu mới sử dụng mô hình ngôn ngữ-hình ảnh để mô phỏng các thay đổi trong ảnh viễn thám một cách linh hoạt, giúp cải thiện hiệu suất cho các mô hình phát hiện thay đổi mà không cần quy tắc thủ công.
LLaDA-Image là mô hình Diffusion Transformer 6B mới, ưu tiên học cấu trúc hình ảnh trước khi thực hiện căn chỉnh ngôn ngữ, giúp đạt hiệu suất dẫn đầu trên bảng xếp hạng Qwen-Image-Bench.
UniMate là mô hình nền tảng đột phá cho phép tạo chuyển động từ văn bản cho bất kỳ cấu trúc xương 3D nào mà không cần tinh chỉnh hay huấn luyện lại, nhờ cơ chế Transformer khuếch tán nhận diện cấu trúc liên kết.
EditVid là giải pháp đột phá cho phép chỉnh sửa video đa dạng từ thay đổi phong cách đến chèn đối tượng mà không cần huấn luyện lại mô hình, đạt hiệu suất vượt trội so với các phương pháp hiện có.
Motion-Omni là khung làm việc end-to-end cho phép mô hình đối thoại tạo ra lời nói cùng cử chỉ cơ thể (mặt, tay, dáng đi) trực tiếp từ trạng thái ẩn, thay vì phải xử lý tách biệt như các phương pháp truyền thống.
Nhóm nghiên cứu từ ĐH Bách khoa Hồng Kông công bố bài tổng quan toàn diện về AI lấy con người làm trung tâm, phân loại các khả năng từ nhận diện, mô phỏng đến trí tuệ hiện thân trong kỷ nguyên mô hình nền tảng.
Dù AI tạo ảnh đã rất ấn tượng về thị giác, nhưng vẫn gặp khó khăn trong việc duy trì danh tính nhân vật và bố cục phức tạp. Bài viết phân tích các giải pháp kỹ thuật mới từ Qualcomm nhằm giúp AI trở nên đáng tin cậy và có tính ứng dụng cao hơn trong công việc chuyên nghiệp.
Viggle AI@ViggleAIWe're open-sourcing this model soon. Stay tuned!
DịchLấy cảm hứng từ Atlas của The World Labs, mô hình mới của @t_mux cho phép tái tạo góc quay mới từ video gốc, tạo hiệu ứng camera bay quanh chủ thể đang đứng yên. Dự án sẽ sớm mở mã nguồn và đang thu thập video từ cộng đồng để thử nghiệm.
Apple giới thiệu khung huấn luyện IVT, cho phép mô hình học cách dự đoán tương lai thông qua biểu diễn ẩn thay vì phải tạo ảnh trực tiếp, giúp tăng tốc độ suy luận video gấp 5 lần mà vẫn giữ được độ chính xác.
Kirin là khung làm việc đột phá giúp tái tạo chuyển động 3D từ video thực tế và xây dựng bộ dữ liệu AiM3D quy mô lớn, cho phép tạo ra các chuyển động động vật chân thực cho hoạt họa.
Thay vì lưu trữ theo thời gian, RECAP-Forcing tối ưu hóa bộ nhớ bằng cách ưu tiên giữ lại các đối tượng và bối cảnh mới xuất hiện, giúp duy trì tính nhất quán hình ảnh trong các video dài mà không bị giới hạn bởi cửa sổ chú ý.
Nghiên cứu giới thiệu ContextBias, khung đánh giá mới nhằm kiểm tra xem các định kiến nghề nghiệp trong mô hình AI có thay đổi khi thay đổi ngữ cảnh hay không. Kết quả cho thấy các mô hình hiện nay vẫn duy trì định kiến mạnh mẽ ngay cả khi ngữ cảnh không liên quan.
fofr@fofrAI@8bit_e is a master of his craft
Dịchfofr chia sẻ thủ thuật từ @8bit_e về phương pháp tùy biến giúp mô hình SAM 3D có thể thực hiện hiệu ứng đi bộ, mở ra khả năng ứng dụng linh hoạt hơn cho công nghệ này.
LayerRecall là cơ chế định tuyến bộ nhớ mới giúp mô hình video AI truy xuất và chèn dữ liệu lịch sử vào các lớp mạng phù hợp, giải quyết vấn đề mất tính nhất quán khi tạo video dài.
Nghiên cứu giới thiệu phương pháp biểu diễn thế giới vật lý thông qua mã thực thi, giúp AI hiểu sâu hơn về cơ chế vận hành, trạng thái vật thể và động lực học thay vì chỉ nhận diện hình ảnh đơn thuần.
Thay vì chỉ mô phỏng hình ảnh, khung làm việc Code-as-World cho phép AI tái tạo thế giới thực dưới dạng mã nguồn có thể thực thi và kiểm chứng, từ đó giúp máy móc hiểu sâu sắc các quy luật vật lý thay vì chỉ bắt chước bề nổi.
Nghiên cứu giới thiệu khung làm việc Super Star, cho phép người ảo tạo cử chỉ đồng bộ với lời nói theo thời gian thực mà không cần dữ liệu tương lai, giải quyết bài toán độ trễ trong tương tác thực tế.
Các nhà nghiên cứu từ NUS và Oxford giới thiệu V-RAE, phương pháp sử dụng các mô hình thị giác tiền huấn luyện để xây dựng không gian tiềm ẩn giàu ngữ nghĩa, giúp cải thiện hiệu quả tạo và dự đoán video thay vì chỉ tập trung vào tái tạo pixel truyền thống.
Nghiên cứu giới thiệu ConceptEdit-12M với 12 triệu cặp ảnh chỉnh sửa chất lượng cao, kết hợp chiến lược giám sát dày đặc giúp AI hiểu sâu hơn về các khái niệm chỉnh sửa tinh vi, khắc phục hạn chế của các mô hình khuếch tán hiện nay.
TLive-Omni là mô hình AI đột phá giúp phân tích livestream bán hàng bằng cách hợp nhất dữ liệu từ video, âm thanh, hình ảnh và văn bản. Với cơ chế Per-vGrid và kỹ thuật tinh chỉnh Faithful-RFT, mô hình giúp AI hiểu ngữ cảnh và phản hồi chính xác các thông tin sản phẩm trong thời gian thực.
AK@_akhaliqInfinityEdit Infinite Video Editing with a Lightweight Edit-Ignition Adapter paper: https://huggin...
DịchInfinityEdit giới thiệu phương pháp sử dụng bộ điều hợp (adapter) tinh gọn để thực hiện chỉnh sửa video không giới hạn, giúp tối ưu hóa quy trình xử lý hình ảnh chuyển động.
InfinityEdit giải quyết bài toán chỉnh sửa video theo thời gian thực cho các luồng dữ liệu không giới hạn, cho phép áp dụng các yêu cầu chỉnh sửa liên tục mà không cần xử lý toàn bộ clip tĩnh từ trước.
Rohan Paul@rohanpaul_aiNew Stanford + Carnegie paper. Screen recordings of real work look like free training data for agen…
DịchPhương pháp Task Model Induction mới giúp chuyển đổi video thao tác thực tế thành cấu trúc mục tiêu phân cấp thay vì chuỗi hành động đơn thuần, giúp AI học kỹ năng mới hiệu quả hơn 30%.
karminski@karminski3So sánh khả năng phân tích chiến thuật CS2 của DeepSeek-V4-Flash-Vision và OX-Alpha thông qua phương pháp trích xuất khung hình video, đánh giá độ chính xác trong việc nhận diện tình huống và đưa ra lời khuyên cải thiện.
Viện nghiên cứu Meitu (MT Lab) ra mắt CFT, phương pháp mới giúp thay đổi ánh sáng ảnh chân dung bằng cách truyền tải đặc trưng nhất quán, giải quyết triệt để tình trạng biến dạng khuôn mặt thường gặp ở các công nghệ cũ.
Testing Catalog@testingcatalogHumyn Labs opened an "egocentric" video library for physical AI! > 5 first-person datasets by en…
DịchHumyn Labs cung cấp bộ dữ liệu video góc nhìn thứ nhất với thông tin chi tiết về chuyển động tay và không gian, giúp huấn luyện robot học hỏi kỹ năng từ trải nghiệm thực tế của con người.
