跳到正文
  1. Marketing Dive70

    可口可乐节日营销放弃生成式AI广告回归传统实拍

    可口可乐在最新推出的 Enjoy Joy 节日营销战役中放弃了过去两年采用的生成式 AI 广告形式,转向由真人拍摄、强调亲友相聚的传统创意路线。尽管此前生成的 AI 广告在内部指标上表现达标,但在消费者群体中引发了较大争议。本次营销由 WPP Open X 旗下奥美主导,除电视与流媒体广告外,还将联动 Meta、TikTok、YouTube 等平台创作者,并开展 Amazon 媒体与电商整合合作。

    推荐理由:可口可乐在经历生成式AI广告引发争议后重回传统实拍路线,为跨国消费品牌在节日季平衡技术试验与大众情感共鸣提供了参考样本。

  1. Google DeepMind77

    Google DeepMind 正式推出交互式世界模型 Genie 4

    Google DeepMind 正式面向 Google AI Ultra 订阅用户推出交互式世界模型 Genie 4,并上线全新 Project Genie 体验。

    推荐理由:Genie 4 将世界模型推向支持实时环境微调与原生音频协同的新阶段,使浏览器内构建可交互虚拟空间的门槛明显降低。

  1. Hugging Face Blog73

    Reson8 开源 0.5B 语音识别模型 Rumble-2-Flash

    Reson8 开源了支持 40 多种语言的 0.5B 语音识别模型 Rumble-2-Flash,采用 Apache 2.0 协议并原生兼容 Transformers 与 vLLM。

    推荐理由:该模型展示了通过跨分词器在线策略蒸馏压缩语音模型的路径,适合需要平衡极低推理延迟与真实电话场景识别率的开发者参考。

  1. Latent Space77

    Latent Space 对话 Black Forest Labs:从 FLUX 到视频与视觉智能的构建

    Black Forest Labs(BFL)核心成员在 Latent Space 播客中探讨了视觉智能的构建路径与 FLUX 3 的技术考量。团队指出,单纯依靠静态图像难以理解三维与物理关系,FLUX 3 将图像、移动相机视频与声音信号联合训练,以学习时序连续性与角度变化。此外,团队分享了用于图像局部编辑的 FLUX Kontext 训练经验,并对比了自回归架构与扩散模型在训练与推理成本上的取舍。

    推荐理由:访谈梳理了扩散团队从图像走向视频与世界模型的思考,展现了联合训练图像、视频与音频对物理一致性的提升。

  1. Hugging Face Blog72

    Hugging Face 发布 3D 生成模型 TRELLIS.2 的 LoRA 微调完整指南

    Hugging Face 发布了开源 3D 生成模型 TRELLIS.2 的 LoRA 微调完整指南,并开源了配套的预处理及训练脚本与 Docker 镜像,支持在本地或 Hugging Face Jobs 运行。

    推荐理由:教程通过拆解三维生成管道展示了仅针对几何 DiT 注入 LoRA 的微调路径,为特定品类网格精度优化提供了标准流程与现成容器。

  1. Hugging Face Blog71

    详解端侧文本转语音模型 Phonon TTS 及其基准测试表现

    端侧文本转语音模型 Phonon TTS 实现了完全离线运行,模型体积仅约 65 MB 至 75 MB。英文版本 Phonon 31m 采用 Apache 2.0 开源协议支持商用,多语言版 Phonon 40m 支持 5 种语言。

    推荐理由:原文展示了基于流匹配的极小端侧语音合成方案,读者可借此了解其在公开基准上的首包延迟表现与工程落地方法。

  1. Hugging Face Blog69

    IBM 发布 Granite Speech 5.0 系列语音模型

    IBM 推出 Granite Speech 语音模型系列的三个更新,包括全新的 granite-speech-5.0-2b,以及升级版 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。

    推荐理由:原文给出了高精度、低延迟端侧和会议说话人归属三种模型选型,便于开发者评估替换成本。

已经到底了