Google Whisk 是谷歌推出的一款革命性AI图像生成工具，于2024年12月正式发布。它颠覆了传统的图像生成模式，允许用户通过图片而非文字提示来生成图像，极大地简化了创作流程并提升了创意表达的直观性。以下是关于Google Whisk的详细介绍：
图生图模式：Whisk的最大特点是支持以图片作为输入，用户可以通过上传图片来指定生成图像的主题、场景和风格。例如，用户可以上传一张动物的图片和一张风景图，再选择一种艺术风格，Whisk会自动将这些元素融合生成全新的图像。
多图混合生成：Whisk允许用户同时上传多张图片，并混合它们的元素生成新图像。例如，上传一张猫的图片和一张刺绣风格的图片，Whisk会生成一幅融合了猫和刺绣风格的艺术作品。
无需文字提示：与传统的AI图像生成工具不同，Whisk不依赖文字描述，用户可以直接通过图片表达创意。当然，用户也可以选择添加文字提示以进一步优化生成结果。
Imagen3模型：Whisk基于谷歌最新的Imagen3图像生成模型，该模型能够捕捉输入图片的本质特征，并生成既相似又有新意的作品。
智能处理：在后台，Whisk的语言模型会自动生成输入图像的详细描述，并将这些描述输入到Imagen3中，从而实现高质量的图像生成。
快速视觉探索：Whisk旨在帮助用户快速探索视觉创意，而非进行像素级的精确编辑。用户可以通过简单的操作生成多种风格的图像，并不断迭代优化。
随机生成功能：如果用户没有合适的图片，可以点击“骰子”图标，Whisk会自动填充一些AI生成的图片作为提示，帮助用户快速开始创作。
艺术创作：Whisk适合艺术家和设计师进行创意探索，帮助他们快速生成多种风格的艺术作品。
个性化头像制作：Whisk支持生成个性化动漫头像，用户可以通过上传自己的照片或选择风格图，生成独特的头像。
教育与娱乐：Whisk的直观操作和趣味性使其成为教育和娱乐领域的理想工具，用户可以通过它学习图像生成技术或进行趣味创作。
Google Whisk是一款创新的AI图像生成工具，通过图生图模式和多图混合生成功能，为用户提供了全新的创作方式。无论是艺术创作、个性化头像制作，还是教育与娱乐，Whisk都能满足用户的需求。
免责声明：本网站仅提供网址导航服务，对链接内容不负任何责任或担保。
1 个月前
谷歌大模型与人脑语言处理机制研究由谷歌研究院与普林斯顿大学、纽约大学等合作开展。3 月上旬，谷歌的研究成果表明大模型竟意外对应人脑语言处理机制。他们将真实对话中的人脑活动与语音到文本 LLM 的内部嵌入进行比较，发现两者在线性相关关系上表现显著，如语言理解顺序（语音到词义）、生成顺序（计划、发音、听到自己声音）以及上下文预测单词等方面都有惊人的一致性 研究方法：将真实对话中的人脑活动与语音到文本LLM的内部嵌入进行比较。使用皮层电图记录参与者在开放式真实对话时语音生成和理解过程中的神经信号，同时从Whisper中提取低级声学、中级语音和上下文单词嵌入，开发编码模型将这些嵌入词线性映射到大脑活动上。 具体发现 语言理解与生成顺序：在语言理解过程中，首先是语音嵌入预测沿颞上回（STG）的语音区域的皮层活动，几百毫秒后，语言嵌入预测布罗卡区（位于额下回；IFG）的皮层活动。在语言生成过程中，顺序则相反，先由语言嵌入预测布罗卡区的皮层活动，几百毫秒后，语音嵌入预测运动皮层（MC）的神经活动，最后，在说话者发音后，语音嵌入预测STG听觉区域的神经活动。这反映了神经处理的顺序，即先在语言区计划说什么，然后在运动区决定如何发音，最后在感知语音区监测说了什么。 神经活动与嵌入的关系：对于听到或说出的每个单词，从语音到文本模型中提取语音嵌入和基于单词的语言嵌入，通过估计线性变换，可以根据这些嵌入预测每次对话中每个单词的大脑神经信号。全脑分析的定量结果显示，在语音生成和语音理解过程中，不同脑区的神经活动与语音嵌入和语言嵌入的峰值存在特定的先后顺序和对应关系。 “软层次”概念：尽管大模型在并行层中处理单词，人类大脑以串行方式处理它们，但反映了类似的统计规律。大脑中较低级别的声学处理和较高级别的语义处理部分重叠，即存在“软层次”概念。例如，像IFG这样的语言区域不仅处理单词级别的语义和句法信息，也捕捉较低级别的听觉特征；而像STG这样的低阶语音区域在优先处理声学和音素的同时，也能捕捉单词级别的信息。 以往相关研究成果 2022年发表在《自然神经科学》上的论文显示，听者大脑的语言区域会尝试在下一个单词说出之前对其进行预测，且在单词发音前对预测的信心会改变在单词发音后的惊讶程度（预测误差），证明了自回归语言模型与人脑共有的起始前预测、起始后惊讶和基于嵌入的上下文表征等基本计算原理。 发表在《自然通讯》的论文发现，大模型的嵌入空间几何图形所捕捉到的自然语言中单词之间的关系，与大脑在语言区诱导的表征（即大脑嵌入）的几何图形一致。 后续研究还发现，虽然跨层非线性变换在LLMs和人脑语言区中相似，但实现方式不同。Transformer架构可同时处理成百上千个单词，而人脑语言区似乎是按顺序、逐字、循环和时间来分析语言。 总之，该研究表明，语音到文本模型嵌入为理解自然对话过程中语言处理的神经基础提供了一个连贯的框架，尽管大模型与人脑在底层神经回路架构上存在明显不同，但在处理自然语言时有着一些相似的计算原则。
2 个月前
BERT（Bidirectional Encoder Representations from Transformers）是由Google于2018年发布的一种预训练语言模型，基于Transformer架构，用于自然语言处理（NLP）任务。它的双向（Bidirectional）上下文理解能力使其在文本理解、问答系统、文本分类等任务中表现卓越。 BERT的核心特点 1. 双向上下文理解 传统语言模型（如GPT）通常是单向的（从左到右或从右到左）。 BERT采用Masked Language Model（MLM，掩码语言模型），即在训练过程中随机遮挡部分词语，并让模型根据上下文预测这些被遮挡的词，从而实现双向理解。 2. 预训练+微调（Pre-training & Fine-tuning） 预训练（Pre-training）：在海量无标注文本数据（如维基百科、BooksCorpus）上进行训练，使BERT学会通用的语言知识。 微调（Fine-tuning）：针对具体任务（如情感分析、问答系统、命名实体识别）进行轻量级训练，只需少量数据，即可获得良好效果。 3. 基于Transformer架构 BERT使用多层Transformer编码器，通过自注意力（Self-Attention）机制高效建模文本中的远程依赖关系。 Transformer结构相比RNN和LSTM，更适合并行计算，处理长文本能力更强。 BERT的两大核心任务 Masked Language Model（MLM，掩码语言模型） 在训练时，随机遮挡输入文本中的15%单词，让模型根据上下文预测这些词。 这种方法使BERT学习到更深层次的语言表示能力。 Next Sentence Prediction（NSP，下一句预测） 让模型判断两个句子是否是相邻句： IsNext（相关）：句子A和B是原始文本中相连的句子。 NotNext（无关）：句子B是随机选择的，与A无关。 这一任务有助于提高BERT在问答、阅读理解等任务中的能力。 BERT的不同版本 BERT-Base：12层Transformer（L=12）、隐藏层768维（H=768）、12个自注意力头（A=12），总参数110M。 BERT-Large：24层Transformer（L=24）、隐藏层1024维（H=1024）、16个自注意力头（A=16），总参数340M。 DistilBERT：更小更快的BERT变体，参数量约为BERT的一半，但性能接近。 RoBERTa：改进版BERT，去除了NSP任务，并采用更大数据量进行训练，提高了性能。 BERT的应用 BERT可以应用于多种NLP任务，包括： 文本分类（如垃圾邮件检测、情感分析） 命名实体识别（NER）（如人名、地名、组织识别） 阅读理解（QA）（如SQuAD问答） 文本摘要 机器翻译 搜索引擎优化（SEO）（Google已将BERT用于搜索算法） BERT的影响 推动NLP进入预训练时代：BERT的成功引发了NLP领域的“预训练+微调”范式（如GPT、T5、XLNet等）。 提升搜索引擎性能：Google 在搜索引擎中使用BERT，提高查询理解能力。 加速AI技术发展：BERT的开源推动了自然语言处理技术在学术界和工业界的广泛应用。 总结 BERT是Transformer架构的双向预训练模型，通过MLM和NSP任务学习通用语言知识，在NLP领域取得巨大突破。它的成功奠定了现代大模型预训练+微调的范式，被广泛用于搜索、问答、文本分类等任务。
4 个月前
Gemini 1.0是为了组织和理解信息，Gemini 2.0则是为了让信息变得更有用。
4 个月前
Google宣布了其新型量子计算芯片Willow，这是在量子计算领域长达十年的征程中迈出的重要一步！
7 个月前
Shadcn/ui 是一个功能强大的 UI 组件库，结合文本提示和图像生成来创建 UI 可以为用户带来独特的设计体验。
8 个月前
谷歌举办了 made by google 2024 大会，pixel 9 手机采用了 g4 ai 芯片和支持 12/16g 的内存，可更顺滑地运行 gemini/gemma 语言模型，从而更好地支持 AI 使用场景，这是谷歌的第一款语言模型原生手机。 同时，谷歌推出了类似数月前 OpenAI 演示过的 AI 语音助手 gemini live，其可以直接用语音和用户流畅交流，但在一些功能上不如 OpenAI 被演示过的产品。 美国当地时间8月13日，谷歌正式拉开2024年度“Made by Google”大会序幕，旨在全面展示谷歌在硬件与软件领域的最新成果与创新。
8 个月前
DALL·E 2可以根据文本生成图像以及对现有图像进行编辑等。DALL·E 3相比DALL·E 2在生成的图像质量、对提示词的理解、上下文理解、处理复杂任务等方面有提升。
9 个月前
从谷歌 Gemma 2 2B 的强大性能也可以看到一种趋势，即「小」模型逐渐拥有了与更大尺寸模型匹敌的底气和效能优势。
9 个月前
AI 概览的工作方式与聊天机器人和其他大语言模型产品不同，它不是简单地基于训练数据生成输出，而是执行传统的“搜索”任务，并提供来自“顶级网页结果”的信息。
9 个月前
在 Google Overview 以奇怪、不准确和无用的结果让第一批用户感到惊讶之后，互联网上充斥着模因和批评，突出了该功能传播的低质量和错误信息。
