多模态生成的行业「黑药丸」：扩散模型只是渲染外壳，智能灵魂全在语言

时间：2026-06-02 17:15:48

　　消息，AI姨在Latent Space播客中指出，当前的视频与图像生成模型并非真正理解物理世界，扩散模型本质上只是一个不具备物理认知能力的像素级渲染器。以英伟达Cosmos模型为例，负责画面渲染的核心扩散模型仅有7b参数，而真正的智能中枢是由大语言模型担任的提示词重写器。最终视频的逻辑质量与匹配度，几乎完全取决于语言模型对提示词的重写质量，而非扩散模型本身。这种视觉与语言的解耦预示着人机交互将迎来彻底重构。

上一篇：Ken Moore：稳定币等未来在于互操作性返回首页

下一篇：Gate股票交易服务正式上线，支持用户使用USDT交易超10,000支美股

热点推荐

1 USDC销毁1.18亿枚，价值约1.18亿美元

消息，据Whale Alert数据，USDC财库刚刚销毁了118,073,284枚USDC，按实时价格计算约合1.18119825亿美元...

2 美经济学家：对伊战事令美国家庭平均损

消息，据美国方面消息，美国穆迪分析公司首席经济学家马克赞迪日前发文称，美以对伊朗发...

3 未知鲸鱼转移1.9亿枚USDC

消息，据Whale Alert监测，未知鲸鱼刚刚转移了190,006,993枚USDC，按实时价格计算约合190,235,001美元...

4 荷兰检方申请宣告加密平台knaken破产

消息，荷兰公共检察机关请求鹿特丹法院宣告加密平台knaken cryptohandel及其关联实体stichting kn...

5 白宫执行董事：清晰法案将为所有数字资