最新AI教程资讯
MUMU – 文本和图像驱动的多模态生成模型
MUMU是一种多模态图像生成模型，通过结合文本提示和参考图像来生成目标图像，从而提高生成的准确率和质量。MUMU模型的架构基于SDXL的预训练卷积UNet，采用了视觉语言模型Idefics2的隐藏状态构建。
2025-02-14 11:30:02
LLaVA-OneVision – 字节跳动推出的开源多模态AI模型
LLaVA-OneVision是字节跳动推出开源的多模态AI模型，LLaVA-OneVision通过整合数据、模型和视觉表示的见解，能同时处理单图像、多图像和视频场景下的计算机视觉任务。LLaVA-OneVision支持跨模态 场景的迁移学习，特别在图像到视频的任务转移中表现出色，具有强大的视频理解和跨场景能力。
2025-02-14 11:01:55
HMoE – 腾讯混元团队提出的新型神经网络架构
HMoE（混合异构专家模型）是腾讯混元团队提出的新型神经网络架构，旨在提升大型语言模型的性能和计算效率。通过引入不同尺寸的专家来处理不同复杂性的输入数据，从而增强模型的专业化程度。
2025-02-14 10:36:53
CustomCrafter – 腾讯联合浙大推出的自定义视频生成框架
CustomCrafter 是腾讯和浙江大学联合提出的自定义视频生成框架，能基于文本提示和参考图像生成高质量的个性化视频，同时保留了运动生成和概念组合的能力。CustomCrafter通过设计一系列灵活的模块，实现了无需额外视频，通过少量图像学习，就能生成所需的视频。
2025-02-14 10:11:32
LitServe – 基于FastAPI的高性能AI模型部署引擎
LitServe是基于FastAPI的高性能AI模型部署引擎，专为企业级AI服务设计。支持批处理、流式处理和GPU自动扩展，简化了模型部署流程。
2025-02-13 18:20:38
LongVILA – 面向长视频理解的视觉语言AI模型
LongVILA是一个面向长视频理解的视觉语言AI模型，由英伟达、MIT、UC 伯克利、得克萨斯大学奥斯汀分校共同开发。通过算法和系统的共同设计，实现了在大量GPU上进行超长上下文长度训练的能力，无需梯度检查点。LongVILA能将视频帧数扩展至1024，显著提升了长视频字幕的评分，并在大规模视频字幕任务中实现了99 5%的准确率。
2025-02-13 17:54:00
LeRobot – HuggingFace推出的开源AI聊天机器人项目
LeRobot是由HuggingFace推出的开源AI聊天机器人项目，由前特斯拉研究员Remi Cadene领导开发。LeRobot致力于降低机器人技术的入门门槛，提供预训练模型、数据集和模拟环境，支持模仿学习和强化学习。
2025-02-13 17:28:54
OmniCorpus – 百亿级多模态数据集，支持中英双语
OmniCorpus是一个大规模多模态数据集，包含86亿张图像和16960亿个文本标记，支持中英双语。由上海人工智能实验室联合多所知名高校及研究机构共同构建。OmniCorpus通过整合来自网站和视频平台的文本和视觉内容，提供了丰富的数据多样性。
2025-02-13 17:02:55
EasyOCR – 支持超80种语言的开源OCR项目
EasyOCR 是一个功能强大的开源OCR（光学字符识别）项目，支持80多种语言和多种书写系统，包括中文、阿拉伯文和西里尔文。基于深度学习技术，提供高精度的文字识别能力。
2025-02-13 16:33:02
GPTEngineer – 文本驱动生成Web网页的开源工具，AI自动写代码
GptEngineer 是一个基于 AI 技术通过简单的文本提示快速生成网页应用原型的开源工具。用户只需描述需求，AI 能自动编写并执行代码，支持与 GitHub 同步和一键部署。
2025-02-13 16:12:27
STranslate – 多功能免费AI翻译工具，支持离线OCR识别
STranslate是专为Windows用户设计的多功能翻译和OCR工具。支持多种语言翻译，具备划词、截图、监听剪贴板等多种翻译方式，并提供多家翻译服务接口。还拥有基于PaddleOCR的离线OCR功能，支持中文、英文、日文和韩文识别。
2025-02-13 15:51:11
LTM-2-mini – Magic公司推出的支持1亿token上下文AI模型
LTM-2-mini是Magic公司推出的支持1亿token上下文AI模型，能处理相当于1000万行代码或750本小说的内容。LTM-2-mini采用序列维度算法，计算效率比Llama 3 1 405B的注意力机制高出约1000倍，能够处理大规模代码库和相关文档，生成高质量代码，有望改变AI模型的运作方式。
2025-02-13 15:24:13
VectorVein – 开源的无代码AI工作流工具，简单拖拽定制AI应用
VectorVein 是一款开源的无代码AI工作流工具，通过简化的拖拽操作，让用户无需编程知识即可构建智能工作流，实现日常任务的自动化。它支持数据处理、分析和知识管理等多种应用场景，具备无代码、AI驱动、可定制化等特点。
2025-02-13 14:57:01
OpenCity – AI交通预测模型，卓越的零样本预测和情境适应能力
OpenCity是由香港大学联合华南理工大学和百度共同研发的交通预测模型。OpenCity采用Transformer架构和图神经网络，通过大规模预训练学习交通数据的时空依赖关系，具备卓越的零样本预测能力和快速情境适应能力，有效应对不同区域和时间的交通模式变化，推动智慧交通发展。
2025-02-13 14:34:30
Eagle – 英伟达推出的多模态大模型，擅长高分辨率图像处理
Eagle是英伟达推出的多模态大模型，擅长处理高达1024×1024像素的图像，显著提升视觉问答和文档理解能力。Eagle模型采用多专家视觉编码器架构，通过简单高效的特征融合策略，实现对图像内容的深入理解。Eagle模型已开源，适用于多个行业，有潜力推动AI技术在视觉理解领域的进步。
2025-02-13 14:10:15
PGTFormer – 先进的AI视频人脸修复框架
PGTFormer是先进的视频人脸修复框架，通过解析引导的时间一致性变换器来恢复视频中的高保真细节，同时增强时间连贯性。该方法无需预对齐，基于语义解析选择最佳人脸先验，并通过时空Transformer模块和时序保真度调节器，实现高效且自然的修复效果。
2025-02-13 13:49:48
HivisionIDPhotos – 免费开源的AI证件照制作工具
HivisionIDPhoto 是一款基于 AI 的轻量级证件照制作工具，它能智能识别和抠图，快速生成符合多种规格的证件照。支持自定义背景色和尺寸，未来还将推出美颜和智能换正装功能。
2025-02-13 13:25:50
Step-1X – 阶跃星辰推出的AI图像生成大模型
Step-1X 是阶跃星辰推出的AI图像生成大模型，采用自研的 DiT 架构，擅长深度语义理解和细节生成。Step-1X支持长达2000字符的复杂指令，能精准匹配图文，适用于广告创意、游戏美术、影视制作等多场景。Step-1X 特别优化了对中国元素和文化的理解，能更好地演绎中国文化精髓。用户可通过阶跃星辰开放平台体验其图像生成能力。
2025-02-13 12:57:31
Melty – 开源的AI编程助手，大幅提升编码效率和质量
Melty是一款开源AI编程助手，专为提升开发者的编码效率和代码质量而设计。Melty通过实时理解开发者的编程活动，从终端操作到 GitHub 交互，提供智能协作和代码生成。Melty能学习开发者的风格，辅助编写生产级别的代码，并与编译器、调试器等工具无缝集成。Melty还支持重构、创建 Web 应用、浏览大型代码库等高级功能，是提升编程工作流的有力助手。
2025-02-13 12:30:10
Yi-Coder – 零一万物开源的AI编程助手模型，提供1.5B和9B两种参数
Yi-Coder是零一万物推出的开源编程助手系列模型，专为提升代码生成、理解、调试和补全等任务的效率而设计。Yi-Coder系列模型包含1 5B和9B两种参数规模的版本，支持52种主流编程语言，能处理长达128K tokens的上下文，有效捕捉代码间的长期依赖关系。
2025-02-13 12:02:27
人气排行
24小时排行
