

> 智谱 AI 正式开源基于华为昇腾底座训练的新一代图像生成模型 GLM-Image。作为首个在国产芯片上完成全流程训练的 SOTA 多模态模型，它凭借创新的混合架构在汉字生成与复杂指令理解上取得了突破性进展。

## 国产全栈算力的里程碑验证

GLM-Image 的发布不仅仅是一个新模型的诞生，更是国产算力生态的一次重要“阅兵”。该模型完全基于华为昇腾 Atlas 800T A2 设备与昇思 MindSpore 框架完成，涵盖了从数据预处理到大规模训练的每一个环节。

这一成果有力地打破了业界对国产芯片无法训练顶尖（SOTA）模型的质疑，验证了国产软硬件全栈技术在处理大规模、高复杂度 AI 任务时的成熟度与可靠性。对于依赖外部算力的中国 AI 产业而言，这是一剂强有力的强心针。

## 混合架构解决绘画痛点

在技术架构上，GLM-Image 采用了“自回归 + 扩散解码器”的创新混合设计。这种架构巧妙地结合了语言模型对语义的深刻理解与扩散模型的高质量生成能力。

这一融合使得模型在处理“知识密集型”任务时表现尤为出色。它能够精准理解全局指令并刻画局部细节，有效解决了长期困扰 AI 绘画领域的难题，如海报排版中的文字一致性、PPT 制作的结构逻辑以及复杂科普图的精准生成。在多项权威评测榜单中，GLM-Image 均位列开源模型首位，尤其在极具挑战性的汉字生成任务上，展现了断层式的领先优势。

![Google_AI_Studio_2026-01-14T03_34_56.521Z.png](https://static.downly.cn/images/a7e3cc523c2dab2513e9db40bed02ad8.png)<center>图源备注：图片由AI生成</center>

## 高性价比普惠创作者

为了推动技术的规模化应用，GLM-Image 已在 GitHub 和 Hugging Face 全面开源。除了技术上的开放，智谱在商业化路径上也极具诚意。其 API 调用价格低至每张图 0.1 元，且模型原生支持 1024 到 2048 尺寸的任意比例自适应生成。

这种低门槛、高灵活性的策略，旨在让更多的开发者与创作者能够利用高端生成式 AI 技术。智谱方面还透露，未来将推出经过速度优化的新版本，进一步提升商用性价比，加速国产认知型生成技术在各行各业的普及。

![Google_AI_Studio_2026-01-14T03_34_58.861Z.png](https://static.downly.cn/images/165c895108cc44045b1b9a55573032e1.png) <center>图源备注：图片由AI生成</center>

智谱联合华为开源 GLM-Image 国产算力训出 SOTA 级文生图模型



> 导语：在OpenAI十周年之际发布的GPT-5.2系列模型引发了巨大争议。官方数据显示，该模型在专业基准测试中表现惊人，甚至在GDPval测试的44个职业任务中以70.9%的成绩碾压顶尖人类专家，编程能力也创下新高。然而，其在常识推理上的表现却让人大跌眼镜，被指出现“智力偏科”。

## 惊人的专业能力与SOTA成绩

根据OpenAI的介绍，GPT-5.2在多个专业领域取得了实质性突破。除了在职业任务评估中超越专家外，在SWE-bench Pro编程测试中，它也达到了55.6%的SOTA（State of the Art）成绩。此外，困扰大模型已久的幻觉问题也得到改善，幻觉率较前一版本GPT-5.1降低了38%。

这些硬核数据让技术圈感到振奋，似乎标志着AI在处理复杂、专业知识工作方面实现了又一次飞跃。

## 常识“翻车”引发质疑

然而，并非所有反馈都是正面的。在SimpleBench常识推理测试中，GPT-5.2的得分竟然低于竞争对手Anthropic发布的Claude Sonnet 3.7。

用户发现模型在一些看似简单的问题上表现拙劣。例如，在回答“garlic（大蒜）这个单词有几个r”时，模型常常出错，三轮测试仅对一次。相比之下，谷歌的Gemini 3.0等竞品则能稳定通过此类逻辑挑战。这种反差让部分用户感到失望，前AWS总经理Bindu Reddy甚至直言：“不值得从GPT-5.1升级。”

![]([object Object])![Google_AI_Studio_2025-12-16T02_32_49.968Z.png](https://static.downly.cn/images/acde10bf3ed1ac2c89f176e8140d3824.png)

<div align="center">图源备注：图片由AI生成</div>

## 智能进阶还是局部倒退

尽管技术的进步不可否认，但GPT-5.2所面临的挑战也发人深省。AI模型在处理高难度任务与简单常识问题之间的巨大能力落差，引发了关于“AI智能水平”本质的争论。

这是否意味着技术在某些基础维度发生了退步，亦或只是深度学习特定阶段的正常现象？GPT-5.2的发布标志着OpenAI在专业垂直领域的统治力，但也暴露了通用大模型在常识推理等基础任务中仍存短板。这场关于AI“偏科”的讨论，或许将成为未来算法优化的重要课题。

GPT-5.2评测出炉：专业领域吊打人类，常识题却输给Claude？




> OpenAI提档发布GPT-5.2正面硬刚谷歌Gemini 3，苹果推出STARFlow-V以归一化流技术挑战视频生成领域，腾讯混元2.0与美团LongCat-Image相继开源展示国产AI硬实力，微软与Perplexity则在语音交互与浏览安全上再进一步。



## OpenAI亮剑 GPT-5.2火线提档硬刚Gemini 3

OpenAI CEO山姆·奥特曼做出了一个激进的决定，将备受瞩目的GPT-5.2发布时间提前至12月9日。这一举动被广泛视为对谷歌Gemini 3强势崛起的直接回应，旨在重新夺回市场关注度的制高点。

此次更新并非简单的版本迭代，新模型在多项关键指标上实现了显著突破。推理速度提升了18%，这意味着用户将获得更流畅的交互体验；多模态效率提高了23%，处理图像与复杂任务的能力更强。此外，上下文长度扩展至32,768 tokens，能够处理更长篇幅的文档与对话，OpenAI此举无疑在年底的AI大战中投下了一枚重磅炸弹。

![image.png](https://static.downly.cn/images/f0f27796a29e941c2017399322033dc3.png)
<center>图源备注：图片由AI生成</center>

## 苹果视频生成黑科技 STARFlow-V打破扩散模型垄断

苹果公司正式入局视频生成赛道，推出了名为STARFlow-V的全新模型。与目前市面上主流的Sora等基于扩散模型的技术路线不同，苹果独辟蹊径采用了归一化流技术。

这一技术路线的核心优势在于直接学习数据分布，从而大幅提升了长视频生成的稳定性，并有效减少了画面错误的累积。STARFlow-V目前支持输出640×480像素、每秒16帧的视频，最长可达30秒。其视觉质量和生成速度不仅可与扩散模型媲美，更在画面连贯性上展现出了独特的竞争优势，为视频生成领域带来了全新的技术解题思路。

![image.png](https://static.downly.cn/images/ab041a42b719373c671de96f2df1a7e5.png)
<center>图源备注：图片由AI生成</center>

## 腾讯混元2.0炸场 406B参数巨无霸开启内测

国产大模型领域迎来重量级选手，腾讯正式发布混元2.0大模型。该模型采用先进的MoE（混合专家）架构，总参数量高达406B，展现了强大的算力储备与技术积累。

混元2.0包含推理增强版和指令遵循版，支持长达256K的上下文窗口，专注于解决复杂的推理任务。腾讯方面自信地宣称其推理性能已跻身国内第一梯队。目前，该模型已在腾讯云API上线并开启应用测试，为开发者和企业用户提供了更强大的本土化AI解决方案。

![image.png](https://static.downly.cn/images/7c53330f2f24c432cd1bb98f09b61afc.png)
<center>图源备注：图片由AI生成</center>

## 美团开源LongCat-Image 中文生图与编辑能力封神

美团LongCat团队为开源社区带来了一份厚礼，正式开源拥有6B参数的LongCat-Image图像生成模型。这款模型在文生图和图像编辑领域表现出色，尤其在处理中文文字生成这一长期困扰业界的难题上，达到了SOTA水平。

LongCat-Image的设计初衷在于平衡高性能与低门槛，它成功填补了顶级闭源模型与现有开源模型之间的技术空白，让更多个人开发者和中小企业能够以较低的成本使用高质量的图像生成技术。

![image.png](https://static.downly.cn/images/65cb37a4336255d63db0aacfac350c78.png)
<center>图源备注：图片由AI生成</center>

## 微软VibeVoice-Realtime 毫秒级响应重塑语音交互

微软在语音技术领域再进一步，推出了名为VibeVoice-Realtime-0.5B的轻量级实时文本转语音模型。该模型专为互动式应用打造，支持流式输入和长篇输出。

凭借连续语音标记和扩散模型的结合，VibeVoice能在约300毫秒内迅速开始语音生成，几乎实现了人类对话般的即时响应。这一特性使其极其适合各类AI代理应用和实时数据播报场景，为用户带来无缝衔接的听觉体验。

## Perplexity推出BrowseSafe 给AI浏览器穿上防弹衣

随着AI代理在互联网上的活动日益频繁，安全问题日益凸显。Perplexity AI适时推出了BrowseSafe新功能，旨在为AI浏览器代理提供一层坚固的安全保障。

该功能专注于确保用户在使用AI工具浏览互联网时的安全性，能够有效识别并拦截潜在的网络威胁，让AI代理在执行任务时更加可靠，为自动化浏览时代构建了必要的安全基础设施。

## 谷歌生态连发 Colab无缝衔接Kaggle与Gemini换新颜

谷歌近期对旗下两大核心产品进行了联动更新与优化。首先，Colab与KaggleHub实现了深度整合，推出了全新的数据探索器功能。用户现在可以在Colab笔记本中直接搜索并调用Kaggle的海量数据集、模型和竞赛资源，无需在不同网页间反复切换，极大地简化了科研与开发流程。

与此同时，Gemini网页版也迎来了界面升级。新增的“我的”文件夹功能方便用户管理内容，同时提供了浅蓝灰和全黑两种主题模式。全新设计的界面更加简约大气，显著提升了文本的可读性与用户的整体操作体验。

![image.png](https://static.downly.cn/images/706bff57362ffe3249ead062cdfe78bc.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1208：巨头混战升级！GPT-5.2突袭，苹果入局视频生成，腾讯美团开源新模型



> 导语 9月17日凌晨，阿里巴巴震撼开源其首个深度研究AI智能体——通义DeepResearch。 这一模型在多项权威Agent评测中，凭借仅3B的激活参数规模，性能全面超越基于OpenAI o3、DeepSeek V3.1等业界顶尖模型的Agent，登顶开源Agent模型榜首。 目前，该模型的代码、框架和方案均已在多个开源社区上线。


9月17日凌晨，阿里巴巴宣布正式开源其首个深度研究Agent模型——通义DeepResearch。 这标志着阿里在AI智能体领域的开源布局再度加码。今年以来，阿里已相继开源了WebWalker、WebDancer和WebSailor等多款在检索和推理方面取得SOTA（State-of-the-art）成绩的智能体，而通义DeepResearch的加入，无疑为这一布局增添了浓墨重彩的一笔。

![image.png](https://static.downly.cn/images/779a61d655042321d25cae436701f015.png)

## 性能卓越 登顶开源榜首

在Humanity’s Last Exam（HLE）、BrowseComp、GAIA等多个权威Agent评测基准上，通义DeepResearch的表现尤为出色。 该模型以仅3B的激活参数，其性能却超越了基于OpenAI o3、DeepSeek V3.1和Claude-4-Sonnet等旗舰级大模型的ReAct Agent（推理-行动智能体）。 这一成就使其成功登顶开源Agent模型排行榜，为深度研究Agent领域带来了“轻量化高性能”的全新可能性。

![image.png](https://static.downly.cn/images/3b91bf284cc488369072adf19541e277.png)

## 技术创新 破解行业难题

深度研究是近年来AI领域的研究热点，吸引了包括谷歌、OpenAI在内的众多科技巨头投入。 然而，现有的研发方法普遍采用“单窗口、线性累加”的信息处理模式，这使得Agent在处理长周期任务时，容易出现“认知空间窒息”和“不可逆的噪声污染”，从而导致推理能力下降，难以胜任复杂的研究任务。

为攻克这些难题，阿里通义团队构建了一套创新的训练与推理方案。

### **训练阶段**
团队以Qwen3-30B-A3B模型为基础，构建了由合成数据驱动的完整训练链路，覆盖了预训练到后训练的全过程。 通过引入RL算法验证与真实训练模块，并结合异步强化学习算法和自动化数据策展流程，极大地提升了模型的迭代速度和泛化能力。

### **推理阶段**
团队设计了两种模式：ReAct模式和基于自研IterResearch的Heavy模式。 其中，ReAct模式用于精准评估模型的基础能力，而Heavy模式则通过test-time scaling策略，深度挖掘模型性能上限，确保其在长周期任务中也能保持高质量的推理水平。

## 全面开源 赋能全球开发者

目前，通义DeepResearch的模型、代码和完整方案已经全面开源，并在Github、Hugging Face以及魔搭社区同步上线。 全球的开发者和研究人员均可免费下载和使用，这为攻克长周期、高复杂度的研究任务提供了强有力的工具支撑。

**开源地址**
*   Github: https://github.com/Alibaba-NLP/DeepResearch
*   Hugging Face: https://huggingface.co/Alibaba-NLP/Tongyi-DeepResearch-30B-A3B
*   魔搭社区: https://modelscope.cn/models/iic/Tongyi-DeepResearch-30B-A3B

![image.png](https://static.downly.cn/images/bd7dfb71b80714252d5543359a7b66b5.png)

这一举措不仅进一步完善了阿里在AI智能体领域的开源生态，也为全球AI社区的发展注入了新的活力。

阿里再放“王炸” 开源通义DeepResearch




> 导语：今日AI界动态纷呈，从谷歌AI在网络安全领域的首次实战告捷，到通义千问在图像生成技术上实现新的突破；从视频大模型压缩技术的革新，到AI伦理与实践的激烈碰撞；再到为开发者量身打造的效率工具以及人形机器人操作系统的崭新构想，技术正以前所未有的速度，深刻重塑着产业的未来。

---

## 谷歌AI“捉虫”首战告捷 自动化安全检测迎新篇章

谷歌最新推出的AI工具Big Sleep成功挖掘出20个开源软件中的安全漏洞，这标志着AI在自动化安全检测领域已进入实用化阶段。该工具融合了DeepMind的先进AI技术与Project Zero团队丰富的实践经验，形成了一套“AI发现，人工验证”的高效模式。这一模式不仅显著提升了漏洞报告的质量和效率，也预示着网络安全领域正迎来由AI驱动的智能化变革。尽管AI生成的报告中可能存在误报，需要人工审核来确保其价值，但其潜力已不容小觑。

![image.png](https://static.downly.cn/images/d04c245fb5cc434de115e28c415d637d.png)

---

## 通义千问重磅开源Qwen-Image 刷新多项图像生成纪录

通义千问团队正式向全球开源其首个20B参数级别的图像生成基础模型——Qwen-Image。该模型在多个基准测试中表现卓越，尤其是在复杂的文本渲染、精细的图像编辑以及跨领域基准性能上，全面刷新了SOTA（State-of-the-Art）纪录。Qwen-Image的开源旨在推动生成式AI技术的进一步发展，其强大的性能可支持从专业级视觉设计到日常创意娱乐的广泛应用，为创作者提供了更多可能性。

![image.png](https://static.downly.cn/images/0adcf2f781c068559b3f222e2b67c28e.png)

---

## 阿里与南开大学联手 LLaVA-Scissor让视频大模型“瘦身”

阿里巴巴与南开大学联合发布了一项名为LLaVA-Scissor的创新技术，旨在为视频大模型进行高效“瘦身”。该技术基于图论中的SCC（强连通分量）方法，能够智能识别视频中的关键语义区域，并有效去除时序上的冗余信息。实验证明，LLaVA-Scissor能够在极低的token（信息单元）保留率下，依然展现出优于其他压缩方法的性能，极大地提升了视频内容的理解效率与处理速度。

![image.png](https://static.downly.cn/images/70ec050e82547287bf937ae144c5388f.png)

---

## AI搜索新星Perplexity陷“隐形爬行”风波

知名AI搜索创业公司Perplexity近日被指控存在“隐形爬行”行为。根据网络基础设施公司Cloudflare的报告，Perplexity涉嫌通过伪装身份、修改用户代理和IP地址等手段，绕过网站设定的`robots.txt`访问限制，抓取本应被阻止的内容。此举已导致Cloudflare将其从已验证的机器人名单中移除。面对指控，Perplexity回应称该报告存在“误解”且有“炒作”之嫌，引发了业界关于AI伦理和数据获取边界的广泛讨论。

![image.png](https://static.downly.cn/images/62a95a91fd102911ccbf9b852b039a2b.png)

---

## 智谱发布Zread.ai 搭载GLM-4.5赋能开发者

智谱公司正式推出了一款面向开发者的效率工具Zread.ai。该工具内置了强大的GLM-4.5大模型，旨在通过AI技术一站式解决开发者在工作中遇到的三大难题：快速接手遗留项目、高效撰写技术文档以及深入理解复杂的开源项目。Zread.ai通过先进的代码解析、知识图谱生成和智能问答互动功能，帮助开发者显著提升工作效率，构建高效的团队知识协作系统。

![image.png](https://static.downly.cn/images/af62dcf019463c40d03053e51c363737.png)

---

## OpenMind立志成为人形机器人的“安卓”

初创公司OpenMind正在开发一款专为人形机器人设计的开源操作系统，其目标是成为机器人领域的“安卓”。该系统专注于人与机器人、以及机器人之间的交互，旨在为能够与人类在相同环境中协作的仿人机器人提供一个统一、开放的软件平台。这一愿景如果实现，将极大推动人形机器人的标准化和普及，加速其在各行各业的应用落地。

![image.png](https://static.downly.cn/images/f2381450fabb632a76cef5bc365c7983.png)



每日AI资讯0805：谷歌AI“捉虫”告捷，通义千问开源图像生成新SOTA




> 导语 本期AI资讯看点纷呈，从备受期待的OpenAI GPT-5展示其在编程等领域的革命性潜力，到智谱GLM-4.5刷新开源模型新高度；从农业、数学等垂直领域的AI应用落地，到微软、阶跃星辰等公司推出新型AI助手，人工智能正以前所未有的速度渗透到各个行业，开启智能新纪元。

---

## **GPT-5超凡能力曝光，重塑编程与多任务处理规则**

OpenAI的下一代旗舰模型GPT-5及其系列版本，包括GPT-5-pro（代号zenith）和GPT-5-high（代号summit），近日揭开了神秘面纱。其能力展示远超当前所有AI模型，在编程、网站快速生成、为现有游戏添加新功能，乃至构建宇宙飞船控制面板和创建视频平台等复杂任务上表现出色。GPT-5不仅有望彻底改变AI在高级编程领域的游戏规则，更通过其强大的自主任务处理、多模态分析、企业级调试和深度记忆功能，预示着一个由AI极大拓展人类能力边界的智能时代的到来。

![image.png](https://static.downly.cn/images/f7501557a1410139835ac49d09c8a307.png)

---

## **智谱GLM-4.5横空出世，树立开源AI新标杆**

智谱AI正式发布了专为Agent应用打造的最新旗舰模型GLM-4.5。该模型在推理能力、代码生成及智能体综合表现上均达到了开源模型的顶尖水平（SOTA），并已在Hugging Face和ModelScope等平台开源，采用对商业友好的MIT许可证。GLM-4.5包含3550亿和1060亿参数两个版本，在多达12项权威基准测试中名列国产及开源模型首位。此外，它还兼具参数效率高、API价格亲民等显著优势，为开发者和企业提供了更强大的AI工具。

![image.png](https://static.downly.cn/images/1e4c085301695a945c1e876f5f5b3520.png)

---

## **AI精准赋能，中国首个农业大模型助农民增收**

中国中化集团推出了国内首个专注于农业种植的综合性大模型。该模型深度整合了海量的农业知识库与线下技术服务中心，实现了对“耕、种、管、收”全流程的智能覆盖。通过线上智能决策系统与线下专家服务的无缝结合，它能为农民提供精准的种植指导，有效将决策时间缩短75%，并帮助每亩地实现150至200元的增收，成为中国农业数字化转型道路上的重要里程碑。

![image.png](https://static.downly.cn/images/3c83af840a63b5e2bc02c8e16e75bbc6.png)

---

## **数学难题迎刃而解，Harmonic推出AI解题机器人**

AI初创公司Harmonic推出了一款名为“亚里士多德”（Aristotle）的聊天机器人应用，致力于提供“无幻觉”的精准数学推理。这款应用目前已在iOS和Android平台开启Beta测试，用户可以通过它来访问Harmonic强大的AI数学模型。公司宣称其模型有能力在2025年的国际数学奥林匹克竞赛中摘得金牌，并于近期完成了1亿美元的B轮融资，显示出市场对其技术前景的高度认可。

![image.png](https://static.downly.cn/images/6146d52baee113eb0b9b2d62aa928866.png)

---

## **微软Edge浏览器集成Copilot，引领智能浏览新体验**

微软为其Edge浏览器推出了全新的Copilot模式，旨在通过人工智能技术重塑用户的网络浏览体验。新模式允许用户通过自然语言或语音输入，实现搜索、信息整合及决策建议的自动化。它巧妙地融合了搜索、聊天和导航功能，极大地提升了用户获取和处理信息的效率。微软同时强调，该功能在提供便利的同时，会严格遵守隐私保护标准，目前已向所有用户免费开放。
![image.png](https://static.downly.cn/images/889f38e9ef52afaad977ba3e56333cd2.png)


---

## **阶跃星辰发布AI研究助手，十分钟生成专业报告**

阶跃AI（StepFun）推出了一款面向专业领域的智能研究工具“阶跃深研”，并已开启邀请测试。该助手专为金融、咨询、法律等知识密集型行业设计，能够理解用户的自然语言指令，在短短十分钟内自主完成信息搜集、交叉验证、整合分析等一系列复杂研究任务，并最终生成结构化的专业报告。其背后依靠的是先进的多智能体架构和端到端自主强化学习技术，旨在为知识工作者提供前所未有的效率与支持。

![image.png](https://static.downly.cn/images/c8247a2117f207f336c5631a447f13fc.png)



每日AI资讯0729：GPT-5震撼登场，多领域AI应用全面开花

> 近日，字节跳动（ByteDance）旗下的团队推出了一项颠覆性的视频修复技术——[**SeedVR2**](https://iceclear.github.io/projects/seedvr2/)。 这一创新模型能够实现**单步完成视频的超高清修复**，显著提升了处理效率和修复质量。 SeedVR2 不仅在视频去噪、去模糊、增强细节等方面表现出色，更通过引入新颖的训练范式，为老旧视频、低质影像的焕新带来了革命性的突破，有望广泛应用于影视、媒体及个人内容创作领域。



在数字时代，视频内容已经成为我们生活中不可或缺的一部分。 然而，许多视频素材存在画质不佳、模糊、噪点多等问题。 传统的视频修复过程往往复杂且耗时，效果也难以令人满意。
字节跳动（ByteDance）的团队带来的一款能够实现**单步完成视频高清修复**的创新模型——**SeedVR2**。从低质视频到超高清画质，只需一步，就能实现显著提升，为视频内容创作者和用户带来了前所未有的便利和效率。

![image.png](https://static.downly.cn/images/dd4e642f48b69eac04d752bf7989e25c.png)

### 颠覆传统 多阶段到单步修复的飞跃

以往的视频修复通常是一个多阶段的过程，可能涉及以下步骤

*   **视频超分** 将低分辨率视频提升到高分辨率。
*   **视频去噪** 消除画面中的噪点。
*   **视频去模糊** 恢复模糊的图像细节。
*   **帧间一致性处理** 确保修复后的视频在时间轴上保持流畅和自然。

这些独立步骤的串联不仅耗时，而且每个环节的误差都可能累积，影响最终效果。 SeedVR2 的核心创新在于，它能够将这些复杂的修复任务**集成到一个统一的模型中，并以单步操作完成**。

SeedVR2 能够实现这一飞跃的关键在于其**独特的设计理念和训练范式**，它能够同时学习不同退化类型（如模糊、噪声、压缩伪影）的修复，并在一步中生成高质量的结果。

### SeedVR2 的核心技术亮点

#### 1. 强大的多功能一体化能力

SeedVR2 不仅仅是简单的视频超分，它集成了多种修复功能，包括

*   **去噪** 有效消除视频中的各种噪声点，使画面更纯净。
*   **去模糊** 恢复因运动或对焦不准造成的模糊，让画面细节更清晰。
*   **细节增强** 智能地补充和增强视频中缺失的纹理和结构信息，让画面栩栩如生。
*   **色彩与对比度优化** 提升视频整体的视觉表现力。

这意味着，无论是老旧的模糊录像，还是手机拍摄的低光视频，SeedVR2 都能进行全面的画质提升。

#### 2. 高效的推理速度与优异的性能

相较于传统多阶段或更复杂的模型，SeedVR2 在实现顶尖修复质量的同时，显著提升了推理速度。 这种高效性使得它在实际应用中更具优势，尤其是在需要批量处理或实时修复的场景。 实验结果表明，SeedVR2 在多个标准基准测试上取得了SOTA（State-of-the-Art）性能。

#### 3. 新颖的训练策略与模型架构

SeedVR2 的成功离不开其创新的训练策略和模型架构。 研究团队通过精心设计网络结构和损失函数，使模型能够高效地学习视频中复杂的时空信息，从而在一次正向传播中完成高难度的视频修复任务，同时保持帧间的高度一致性，避免了闪烁和伪影。

![image.png](https://static.downly.cn/images/77cce6cc8693692758b45fdb7c742654.png)

### 应用前景 视频修复进入新时代

SeedVR2 的诞生，无疑为视频修复领域带来了革命性的影响，其应用前景广阔

*   **影视后期制作** 影视公司可以使用 SeedVR2 修复老旧影片，或提升数字电影的画质，节省大量时间和成本。
*   **短视频与直播** 创作者可以一键提升视频质量，为观众带来更优质的视觉体验。
*   **历史影像资料修复** 博物馆和档案馆可以利用 SeedVR2 修复珍贵的历史影像，使其重现清晰面貌。
*   **个人内容创作** 即使是普通用户，也能轻松将手机拍摄的低质视频修复成高清大片。

随着 SeedVR2 等先进技术的普及，视频高清修复将不再是专业人士的专属，而是普惠大众，让每个人都能享受到清晰、震撼的视觉体验。




字节 SeedVR2 单步完成视频高清修复



> 在信息爆炸的时代，我们每天都要处理海量的多模态信息，从图片到文字，再到代码。如何快速准确地找到所需信息，成为了人工智能领域亟需解决的问题。近日，智源人工智能研究院带来了令人振奋的消息，他们成功研发并发布了三款达到SOTA（最先进水平）的多模态检索模型：BGE-VL-Screenshot、BGE-Code-v1和BGE-VL-v1.5。这些模型在各自擅长的领域取得了 significant breakthroughs，极大地提升了AI对代码、图文等复杂多模态信息的理解和检索能力。

## BGE-VL-Screenshot 截屏也能轻松搜

你有没有遇到过这样的情况 截了一张图，想根据图片里的文字内容去搜索，却发现很难做到？或者想通过图片来找到相关的网页内容？智源的 **BGE-VL-Screenshot** 模型就是专门为了解决这个问题而生的。

这款模型 unique 的能力在于，它能够 understanding the semantic meaning of screenshot images。也就是说，它不仅仅是识别图片里的文字，更能理解这些文字在图片中的布局和含义，并将其与 natural language query 进行关联。

![image.png](https://static.downly.cn/images/20250520064756.618945248.png)

通过 BGE-VL-Screenshot，你可以用一段文字来描述截图中的内容，模型就能帮你找到相关的截图；反之，你也可以上传一张截图，让模型帮你找到相关的文字信息或者网页链接。这对于我们日常工作和学习中查找和整理信息提供了 extreme convenience。例如，你可以用一段文字描述某个网页的特点，然后通过截图来快速定位到那个网页。

## BGE-Code-v1 代码理解的得力助手

对于程序员和开发者来说，理解和查找代码是 daily routine。传统的代码搜索往往依赖于关键字匹配，效果 sometimes not ideal。智源的 **BGE-Code-v1** 模型在代码理解和检索方面取得了 significant progress。

这款模型专注于理解自然语言描述与代码之间的关系。它能够 effective 地将自然语言问题或需求与相关的代码片段进行匹配。

![image.png](https://static.downly.cn/images/20250520065045.452679833.png)

BGE-Code-v1 可以根据你用中文或英文描述的功能需求，在 vast code repositories 中搜索并找到最相关的代码片段。Similarly，它也可以理解一段代码的功能，并用通俗易懂的自然语言进行解释。这对于代码复用、代码学习、代码错误排查等场景都具有 tremendous value，可以极大地提升开发效率。

## BGE-VL-v1.5 更强的通用图文理解能力

智源的 **BGE-VL-v1.5** 模型则是一款通用性更强的图文理解模型。它在多种图文相关的下游任务上都展现出了 impressive performance，并且取得了 SOTA 成绩。

这款模型的核心能力在于 its sophisticated understanding of the relationship between images and text。它能够 both understand the content of an image and its corresponding text description，并能够 accurately match them。

![image.png](https://static.downly.cn/images/20250520065129.342342376.png)

BGE-VL-v1.5 可以用于各种图文检索任务，例如：

*   **以文搜图** 根据一段文字描述搜索相关的图片。
*   **以图搜文** 根据一张图片搜索相关的文字描述、文章或网页。
*   **跨模态匹配** 理解图片和文字之间的 deeper relationship，进行更 nuanced 的匹配。

这款模型的出色表现， further pushed the boundaries of general visual-language understanding，为构建更强大的多模态AI应用提供了坚实的基础。

## 智源模型的优势与意义

智源此次发布的三大 SOTA 模型， 不仅仅是技术上的突破，更 significant 的意义在于：

### 提升多模态检索效率与准确性

这三款模型在各自的细分领域都达到了当前的最优水平，这意味着它们能够以更高的效率和准确性完成多模态检索任务，帮助用户更快地找到所需信息。

### 为开发者提供强有力的工具

这些模型的发布， 为开发者提供了 powerful tools to build more intelligent and user-friendly multi-modal applications。例如，可以利用 BGE-Code-v1 开发更智能的代码助手，利用 BGE-VL-v1.5 开发更精准的图文搜索引擎。

### 推动多模态AI技术发展

智源在这些领域的持续投入和技术突破， undoubtedly 对整个多模态AI领域的发展起到了推动作用，也为未来的 research and application opened up new possibilities。

智源研究院此次发布的三大 SOTA 多模态检索模型， 在代码和图文理解方面展现出了 leading 的能力， 这无疑是人工智能领域的又一 important milestone。我们期待这些模型能够在实际应用中发挥更大作用，为我们的生活和工作带来更多便利。

搜索结果: SOTA