Pika北大斯坦福借助LLM开发新框架，提升复杂提示词的理解力
Pika北大斯坦福联手，开源最新文本-图像生成/编辑框架！无需额外训练，即可让扩散模型拥有更强提示词理解能力。面对超长、超复杂提示词，准确性更高、细节把控更强，而且生成图片更加自然。效果超越最强图像生成模型Dall·E3和SDXL。比如要求图片左右冰火两重天，左边有冰山、右边有火山。SDXL完全没有符合提示词要求，Dall·E3没有生成出来火山这一细节。还能通过提示词对生成图像二次编辑。这就是文本-图像生成/编辑框架RPG（Recaption,PlanandGenerate），已经在网上引起热议。它由北大
Pika北大斯坦福联手，开源最新文本-图像生成/编辑框架！
无需额外训练，即可让扩散模型拥有更强提示词理解能力。
面对超长、超复杂提示词，准确性更高、细节把控更强，而且生成图片更加自然。
效果超越最强图像生成模型Dall·E 3和SDXL。
比如要求图片左右冰火两重天，左边有冰山、右边有火山。
SDXL完全没有符合提示词要求，Dall·E 3没有生成出来火山这一细节。
还能通过提示词对生成图像二次编辑。
这就是文本-图像生成/编辑框架RPG（Recaption,Plan and Generate），已经在网上引起热议。
它由北大、斯坦福、Pika联合开发。作者包括北大计算机学院崔斌教授、Pika联合创始人兼CTO Chenlin Meng等。
目前框架代码已开源，兼容各种多模态大模型（如MiniGPT-4）和扩散模型主干网络（如ControlNet）。
利用多模态大模型做增强
一直以来，扩散模型在理解复杂提示词方面都相对较弱。
一些已有改进方法，要么最终实现效果不够好，要么需要进行额外训练。
因此研究团队利用多模态大模型的理解能力来增强扩散模型的组合能力、可控能力。
从框架名字可以看出，它是让模型“重新描述、规划和生成”。
该方法的核心策略有三方面：
1、多模态重新描述（Multimodal Recaptioning）：利用大模型将复杂文本提示拆解为多个子提示，并对每个子提示进行更加详细的重新描述，以此提升扩散模型对提示词的理解能力。
2、思维链规划（Chain-of-Thought Planning）:利用多模态大模型的思维链推理能力，将图像空间划分为互补的子区域，并为每个子区域匹配不同的子提示，将复杂的生成任务拆解为多个更简单的生成任务。
3、互补区域扩散（Complementary Regional Diffusion）：将空间划分好后，非重叠的区域各自根据子提示生成图像，然后进行拼接。
最后就能生成出一张更加符合提示词要求的图片。
RPG框架还可以利用姿态、深度等信息进行图像生成。
和ControlNet对比，RPG能进一步拆分输入提示词。
用户输入：在一间明亮的房间里，站着一位身穿香槟色长袖正装、正闭着双眼的漂亮黑发女孩。房间左边放着一只插着粉色玫瑰花的精致蓝花瓶，右边有一些生机勃勃的白玫瑰。
基础提示词：一个漂亮女孩站在她的明亮的房间里。
区域0：一个装着粉玫瑰的精致蓝花瓶
区域1：一个身穿香槟色长袖正装的漂亮黑发女孩闭着双眼。
区域2：一些生机勃勃的白玫瑰。
也能实现图像生成、编辑闭环。
实验对比来看，RPG在色彩、形状、空间、文字准确等维度都超越其他图像生成模型。
研究团队
该研究有两位共同一作Ling Yang、Zhaochen Yu，都来自北大。
参与作者还有AI创企Pika联合创始人兼CTO Chenlin Meng。
她是斯坦福计算机博士，在计算机视觉、3D视觉方面有着丰富学术经历，参与的去噪扩散隐式模型（DDIM）论文，如今单篇引用已有1700+。并有多篇生成式AI相关研究发表在ICLR、NeurIPS、CVPR、ICML等顶会上，且多篇入选Oral。
去年，Pika凭借AI视频生成产品Pika 1.0一炮而红，2位斯坦福华人女博士创办的背景，使其更加引人注目。
△左为郭文景（Pika CEO），右为Chenlin Meng
参与研究的还有北大计算机学院副院长崔斌教授，他还是数据科学与工程研究所长。
另外，斯坦福AI实验室博士Minkai Xu、斯坦福助理教授Stefano Ermon共同参与这项研究。
论文地址：https://arxiv.org/abs/2401.11708
代码地址：https://github.com/YangLing0818/RPG-DiffusionMaster
本文解析超聚变在2026数博会发布的“智企”范式，重点阐述如何通过Token生产平台（Token Factory）与企业业务本体建模，实现从简单AI工具调用到企业应用架构系统性重构的演进。文章详细拆解了智能体编排、数字孪生及生态协同等关键技术路径，为AI时代企业数字化转型提供可落地的参考方案。
从Office转向WPS的核心操作肌肉记忆切换通常需3至7天，不影响正常办公。适应期长短取决于界面视觉差异与专属格式配置。通过切换“经典界面”、嵌入字体及开启云同步，可实现平滑过渡。本文详解格式兼容、数据迁移及AI功能适用场景，适用于需多端协同、成本控制及国产化兼容的办公人群。
加拿大一母亲起诉OpenAI，称ChatGPT设计缺陷导致其女儿自杀，指控其优先用户参与度而非安全性，持续提供情感支持致过度依赖。专家指出AI应“陪伴但不过界”，需设定边界并引导求助。国家已出台拟人化互动服务管理办法。
2026届高考生学车时多采用AI教练，逐步适应人机共驾。作为与生成式AI共同成长的一代，他们更易接受智能驾驶，未来可能成为首批“原生AI司机”。至2030年前后，其人生首辆车或具备L3级自动驾驶能力，驾驶角色将从操控者转向监督者。
全球股市因AI热潮呈现K型分化，半导体板块估值逼近百倍市盈率。历史警示：2000年互联网泡沫中的“四骑士”最终市值暴跌或长期盘整。投资者应警惕“错失恐惧症”，重视安全边际、护城河与能力圈，避免被高估值裹挟，关注稳健性与股息率。
Cloudflare报告显示，完成应用现代化的企业从AI投资中获得可衡量回报的概率是未现代化企业的三倍。93%的决策者视系统更新为AI先决条件，91%的领先企业已嵌入AI功能。安全与现代化协同推进可使AI成熟度提升四倍，精简技术架构成为竞争力分水岭。
据微软引用《Joule》期刊的一项研究指出，每一次典型人工智能查询耗电量零点一六至零点六零瓦时，其冷却用水量中位数不足一滴水。大规模部署下，单位查询的效率会更高，总能耗可以降低一半以上。
A股PCB概念板块掀起涨停潮，因摩根士丹利报告预测AI光模块PCB市场三年增长超5倍，2025至2028年规模从6.2亿美元增至37.7亿美元，年复合增速高达83%，远超光模块整体增速。
哈啰推出的A70云朵共享单车搭载海思芯片与鸿蒙系统，实现200毫秒极速开锁；追风者自动变速车客单价提升30%，用户复购率超40%。技术升级使运维成本占比降至25%，日均使用频次升至4.8次，分层运营策略有效分摊成本，推动共享单车从交通工具向智能终端转型。
Windows 10 是一款微软推出的经典操作系统，拥有硬件兼容性与多任务处理能力。它更偏向把系统状态查看和常用调节动作放在一起，适合需要持续观察和微调设备状态的场景。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
