Meta和NYU联合出品MetaQuery：融合 MLLM 深度理解与 Diffusion，开启图像生成的新跃迁
标即可训练，既保持了 MLLM 的理解实力，又在图像生成任务上达到了强劲表现，包括图像编辑和主体驱动
多模态理解
ICML 2025｜多模态理解与生成最新进展：港科联合SnapResearch发布ThinkDiff，为扩散模型装上大脑
香港科技大学联合Snap Research提出ThinkDiff方法，仅需少量图文对和数小时训练让扩散模型具备多模态推理与生成能力。
刚刚！百度一口气开源了10款模型
百度如期开源文心4.5系列共10款模型，涵盖文本和视觉理解，支持跨模态知识融合。参数从300B到424B不等，性能达到SOTA水平，在多任务测试中表现优异，并采用飞桨框架训练和部署。
从视频生成到世界模型：CVPR 2025 重磅教程来了！
本文介绍了一次视频生成的教程，探讨了其作为世界模型的强大潜力，涵盖学术界和产业界的顶尖研究者分享，涉及生成建模、3D理解、强化学习与物理推理等方向。
LLM 自回归做理解，MaskGIT 方案做生成！VILA‑U：一个模型搞定图像理解、视频理解和生成，简洁而强大
kGIT 方案做生成的生成理解统一模型。
>>
加入极市CV技术交流群，走在计算机视觉的最前沿
太长
比Gemini Diffusion更全能！首个多模态扩散大语言模型MMaDA发布，同时实现强推理与高可控性
论文提出MMaDA，首个系统性探索扩散架构的多模态基础模型，实现文本推理、多模态理解与图像生成的统一建模。该模型在多任务协同上表现出色，并通过混合长链思维微调和统一策略梯度优化提升性能。