MMaDA 多模态扩散模型实现文本推理+视觉理解+文生图

MMaDA^[1] 是一款开源的多模态扩散模型，同时具有文字推理、图片理解、文字生成图片的能力。

感兴趣的佬们可以通过官方的在线演示^[2]体验。

MMaDA GitHub 项目主页: https://github.com/gen-verse/mmadaMMaDA 在线演示: https://huggingface.co/spaces/Gen-Verse/MMaDA

Visual Planning：突破文本依赖的纯视觉推理模型

传统多模态大模型本质是视觉输入然后使用文本推理，而 Visual Planning^[3] 直接通过图像序列进行推理，不依赖于文本。

该方法实现了真正的纯视觉推理范式，目前相关论文已正式发布（但代码尚未开源）。

Visual Planning 论文 GitHub 仓库: https://github.com/yix8/visualplanning

Cua：基于 Docker 容器的高性能 Computer-Use Agents

Cua^[4] 是一个开源项目，基于 Docker 容器技术构建的 AI 代理框架。它允许 AI 代理在隔离的 Docker 容器环境中运行，可以与 OpenAI、Anthropic 等主流大语言模型无缝配合使用。

非常看好 Cua，它解决了 AI 代理与操作系统交互的安全性问题，同时几乎不会造成性能损失。

Cua 开源项目 GitHub 仓库: https://github.com/trycua/cua

Pixel Reasoner：像素空间推理的视觉语言模型

Pixel-Reasoner^[5] 是一个基于 Qwen2 的开源视觉语言模型，在像素级视觉理解和推理能力上实现了显著突破。

该模型不仅能全局理解整个画布内容，还能通过局部放大功能实现精细化的细节分析。

官方演示^[6]效果不错，强烈推荐佬们都去玩玩看。

Pixel-Reasoner 项目主页: https://tiger-ai-lab.github.io/Pixel-Reasoner/Pixel-Reasoner 官方演示空间: https://huggingface.co/spaces/TIGER-Lab/Pixel-Reasoner

Cutemorphic：基于 gpt-image-1 的免费 3D 风格头像生成器

Cutemorphic^[7] 是一个完全免费且无需登录的可爱 3D 风格头像生成器，基于 OpenAI Responses API 和 gpt-image-1 实现。

佬们只需上传头像点击生成即可获得个性化 3D 头像，还可以通过提示词编辑功能进行更精细的控制。

3D 头像生成器官网: https://cutemorphic.vercel.app/

Anthropic 与 Rick Rubin 合作推出 Claude 生成的艺术代码展

Anthropic 与 Rick Rubin 合作推出了这个独特的艺术代码展示网站^[8] - 所有展示的代码均由 Claude 生成。

佬们可以来围观学习，这些作品大多采用 React + canvas 实现，你不仅能查看完整代码，还能直接在线编辑修改！

The Way of Code 官网: https://www.thewayofcode.com/

❝

如果你喜欢《一觉醒来 AI 界发生了什么》系列的话，请 关注、点赞、在看、收藏、分享 五连警告，这对我真的很重要！