最新AI教程资讯
Gemini Robotics – 谷歌 DeepMind 推出的具身智能大模型
Gemini Robotics 是谷歌 DeepMind 推出的基于 Gemini 2 0 的机器人项目，将大型多模态模型的能力引入物理世界。项目包含两个主要模型：Gemini Robotics-ER 和 Gemini Robotics。Gemini Robotics-ER 是增强版的视觉-语言模型（VLM），具备强大的具身推理能力，支持理解三维空间、物体检测、指向、轨迹和抓取预测等任务。
2025-03-17 14:27:18
PP-TableMagic – 百度飞桨团队开源的表格识别工具
PP-TableMagic 是百度飞桨团队推出的高性能表格识别工具，用在将图片中的表格结构化信息提取出来，转换为 HTML 等格式，进行进一步的数据处理和分析。PP-TableMagic 用自研的轻量级表格分类模型 PP-LCNet 和业界首个开源单元格检测模型 RT-DETR，及强大的表格结构识别模型 SLANeXt，结合三阶段预训练策略，提升表格识别的精度和效率。
2025-03-17 14:03:55
Gemini 2.0 Flash – Google推出的多模态 AI 模型
Gemini 2 0 Flash是Google推出的多模态AI模型，结合文本理解和图像生成能力。根据自然语言输入生成高质量的图像，支持多轮对话式的图像编辑，保持上下文连贯性。模型擅长将文本与图像结合，例如为故事生成连贯的插图、根据对话修改图像风格，用世界知识生成更准确的图像（如食谱插图）。Gemini 2 0 Flash在长文本渲染方面表现出色，适用于广告、社交媒体或邀请函等场景。
2025-03-17 13:42:39
TokenSwift – 超长文本生成加速框架，90分钟内生成10万Token文本
TokenSwift 是北京通用人工智能研究院团队推出的超长文本生成加速框架，能在90分钟内生成10万Token的文本，相比传统自回归模型的近5小时，速度提升了3倍，生成质量无损。TokenSwift 通过多Token生成与Token重用、动态KV缓存更新以及上下文惩罚机制等技术，减少模型加载延迟、优化缓存更新时间并确保生成多样性。
2025-03-17 13:14:41
MIDI – AI 3D场景生成技术，能将单张图像转化为360度3D场景
MIDI（Multi-Instance Diffusion for Single Image to 3D Scene Generation）是先进的3D场景生成技术，能在短时间内将单张图像转化为高保真度的3D场景。通过智能分割输入图像，识别出场景中的独立元素，再基于多实例扩散模型，结合注意力机制，生成360度的3D场景。
2025-03-17 12:44:57
Evolving Agents – 开源的AI Agent管理与进化框架
Evolving Agents 是用在创建、管理和进化 AI 代理的生产级框架。Evolving Agents支持智能代理之间的通信和协作，根据语义理解需求、基于过往经验进化，有效解决复杂任务。框架具备智能代理进化、代理间通信等核心功能。
2025-03-17 12:23:56
MT-MegatronLM – 摩尔线程开源的混合并行训练框架
MT-MegatronLM 是摩尔线程推出的面向全功能 GPU 的开源混合并行训练框架，主要用于高效训练大规模语言模型。支持 dense 模型、多模态模型及 MoE（混合专家）模型的训练。框架基于全功能 GPU 支持 FP8 混合精度策略、高性能算子库和集合通信库，显著提升了 GPU 集群的算力利用率。
2025-03-17 12:03:50
人气排行
24小时排行
