最新AI教程资讯
Ruyi – 图森未来推出的图生视频大模型
Ruyi是图森未来科技有限公司推出的图生视频大模型，专为在消费级显卡上运行设计，支持多分辨率、多时长视频生成，具备首帧、首尾帧控制、运动幅度控制和镜头控制等特性。Ruyi基于DiT架构，由Casual VAE模块和Diffusion Transformer组成，用在视频数据压缩和生成。
2025-01-06 14:57:58
Large Action Models – 微软推出的行动大模型开发框架
Large Action Models（LAMs）是微软推出大型行动模型的开发框架，能执行真实世界行动的智能系统，LAMs超越传统LLMs（Large Language Models，大型语言模型）的文本生成能力。LAMs能理解用户意图，在物理和数字环境中自动执行复杂任务。
2025-01-06 14:36:27
Leffa – Meta 开源的图像生成框架，精确控制人物的外观和姿势
Leffa（Learning Flow Fields in Attention）是 Meta AI推出的用在可控人物图像生成框架，基于在注意力机制中引入流场学习，精确控制人物的外观和姿势。Leffa基于正则化损失函数，指导模型在训练时让目标查询聚焦于参考图像中的正确区域，减少细节失真，提升图像质量。
2025-01-06 14:07:34
LatentLM – 微软联合清华推出的多模态生成模型
LatentLM是微软研究院和清华大学共同推出的多模态生成模型，能统一处理离散数据（如文本）和连续数据（如图像、音频）。模型用变分自编码器（VAE）将连续数据编码为潜在向量，引入下一个词扩散技术自回归生成向量。
2025-01-06 13:41:35
Lyra – SmartMore联合多所高校推出的增强多模态交互能力
Lyra是香港中文大学、SmartMore和香港科技大学推出的高效多模态大型语言模型（MLLM），专注于提升语音、视觉和语言模态的交互能力。Lyra基于开源大型模型、多模态LoRA模块和潜在的多模态正则化器，减少训练成本和数据需求。
2025-01-06 13:12:47
Manga Image Translator – 开源漫画图片文字翻译工具，多语言翻译无缝嵌入原图
Manga Image Translator是开源的漫画图片文字翻译工具，能一键翻译漫画和图片中的文字。Manga Image Translator基于OCR技术识别文本，结合机器翻译将文字转换成目标语言。工具支持多种语言，能将翻译后的文本无缝嵌入原图，保持漫画风格。
2025-01-06 12:44:40
Ivy-VL – AI Safeguard联合卡内基梅隆和斯坦福开源的轻量级多模态模型
Ivy-VL是AI Safeguard联合卡内基梅隆大学和斯坦福大学推出的轻量级多模态AI模型，专为移动端和边缘设备设计。模型拥有3B参数量，相较于其他多模态大模型，显著降低计算资源需求，能在AI眼镜、智能手机等资源受限设备上高效运行。
2025-01-06 12:24:21
ColorFlow – 清华和腾讯共同推出的图像序列着色模型
ColorFlow是清华大学和腾讯ARC实验室共同推出的图像序列着色模型，能精细化地保持图像序列中个体身份的同时进行着色。基于检索增强、上下文学习和超分辨率技术，ColorFlow确保黑白图像序列着色与参考图像颜色一致性，适用于漫画、动画制作等工业应用。
2025-01-06 12:02:14
NodeTool – AI工作流可视化构建器，拖放节点设计复杂工作流
NodeTool是开源的AI工作流可视化构建器。NodeTool集成广泛的AI工具和模型，基于简单、可视化的界面，让用户无需编码即可快速原型设计和测试。NodeTool支持在本地GPU上运行AI模型，并与Hugging Face、OpenAI等平台的集成，提供强大的模型访问能力。
2025-01-06 11:32:57
VMB – 中科院联合多所高校机构推出增强多模态音乐生成的框架
VMB（Visuals Music Bridge）是中国科学院信息工程研究所、中国科学院大学网络空间安全学院、上海人工智能实验室、上海交通大学等机构推出的多模态音乐生成框架，能从文本、图像和视频等多种输入模态生成音乐。
2025-01-06 11:05:30
豆包3D生成模型 – 豆包推出3D生成模型，自然语言交互实时生成3D场景图
豆包3D生成模型是豆包推出的3D生成模型，属于豆包大模型家族。模型基于3D-DiT 架构，能生成高质量 3D 模块。与火山引擎数字孪生平台 veOmniverse 结合使用，能高效完成智能训练、数据合成和数字资产制作，成为一套支持 AIGC 创作的物理世界仿真模拟器。
2025-01-06 10:18:14
MV-Adapter – 北航联合 VAST 等开源的多视图一致图像生成模型
MV-Adapter是多视图一致图像生成模型，是北京航空航天大学、VAST和上海交通大学的研究团队推出的。MV-Adapter能将预训练的文本到图像扩散模型转化为多视图图像生成器，无需改变原始网络结构或特征空间。
2025-01-06 09:53:12
FACTS Grounding – 谷歌推出的评估大模型能力的基准测试
FACTS Grounding是谷歌DeepMind推出的评估大型语言模型（LLMs）能力的基准测试，衡量模型根据给定上下文生成事实准确且无捏造信息的文本的能力。FACTS Grounding测试集包含1719个跨多个领域的示例，要求模型响应必须基于长达32000个token的文档，涵盖摘要、问答和改写等任务。
2025-01-06 09:23:47
MarkItDown – 微软开源的多功能、多格式文档转Markdown工具
MarkItDown是微软开源的多功能文档处理工具，能将PDF、PPT、Word、Excel、图像、音频、HTML等多种格式的文件转换成Markdown格式。支持OCR文字识别、语音转文字和元数据提取，适用于内容索引、数据挖掘、文档处理等场景，极大地简化文件处理流程，提升工作效率。
2025-01-03 18:01:59
EMMA-X – 新加坡科技设计大学推出的具身多模态动作模型
EMMA-X是新加坡科技设计大学推出的具有70亿参数的具身多模态动作模型，在有根据的链式思维（CoT）推理数据上微调OpenVLA创建。EMMA-X结合层次化的具身数据集，包含3D空间运动、2D夹爪位置和有根据的推理，及推出一种新颖的轨迹分割策略，用夹爪的开合状态和机器人手臂的运动轨迹，增强有根据的任务推理和前瞻性空间推理。
2025-01-03 17:35:26
WeaveFox – 蚂蚁推出 AI 前端研发平台，根据设计图直接生成源代码
WeaveFox是蚂蚁团队推出的AI驱动前端智能研发平台，基于蚂蚁自研的百灵多模态大模型，能直接根据设计图生成前端源代码。工具支持多种应用类型，包括控制台、移动端H5、小程序等，且兼容多种技术栈，如React、Vue等。
2025-01-03 17:10:34
UniReal – 港大联合 Adobe 推出的通用图像生成和编辑框架
UniReal是什么 UniReal是香港大学和Adobe研究院共同推出的框架，专注于实现多种图像生成和编辑任务。框架基于模拟现实世界动态，能在单一模型中处理包括图像生成、编辑、定制和合成在内的广泛任务。UniReal将不同
2025-01-03 16:41:17
X-AnyLabeling – AI图像标注工具，支持图像和视频多样化标注样式
X-AnyLabeling是集成多种深度学习算法的图像标注软件，专注于提升标注效率和精度。X-AnyLabeling支持图像和视频的多样化标注样式，适配多种AI训练场景，提供图像级与对象级标签分类。软件支持主流深度学习框架的数据格式导入导出，具备跨平台兼容性，支持CPU和GPU推理。
2025-01-03 16:20:40
Explorer – AI 3D世界生成模型，文本图像秒变3D渲染场景
Explorer是Odyssey公司推出的生成性世界模型，能将任何图像转化为详细的3D世界。Explorer模型擅长生成真实感世界，且支持动态效果的生成。Explorer基于高斯溅射技术来重建场景，提供几乎无法察觉的真实细节。用户能在多种创意工具中编辑由Explorer生成的世界，实现所需的创意目标。
2025-01-03 15:57:41
Gemini 2.0 Flash Thinking – 谷歌推出的实验性推理模型，展示详细思考过程
Gemini 2 0 Flash Thinking是谷歌推出的实验性AI模型，能快速思考和解决问题。Gemini 2 0 Flash Thinking展示详细的思考过程，与OpenAI的o1模型不同，Gemini 2 0 Flash Thinking提供结果，展示推理路径。
2025-01-03 15:33:57
人气排行
24小时排行
