最新AI教程资讯
Surya – 开源的OCR工具包，支持90+语言、布局分析等识别
Surya是一款功能强大的开源OCR（光学字符识别）工具包，专门设计用在文档识别，支持超过90种语言的识别。Surya能准确识别出文档中的文本，分析文本的阅读顺序，检测文档中的布局元素，如表格、图片和标题，及识别和解析表格内容。
2025-02-02 16:54:42
Illuminate – 谷歌推出将学术论文转化为音频讨论的AI项目
Illuminate 是一个由谷歌开发的项目，能将学术论文转化为人工智能生成的音频讨论。项目基于谷歌强大的语言模型 Gemini，将论文内容转换成引人入胜的对话，使用户能在运动、开车等碎片时间里轻松学习。
2025-02-02 16:30:21
Loong – 港大和字节联合推出的长视频生成模型
Loong是由香港大学和字节跳动联合推出的一种新型长视频生成模型，能生成外观一致、动态丰富、场景过渡自然的分钟级长视频。模型基于自回归大型语言模型（LLM），将文本和视频信息整合为统一序列，用渐进式短到长训练方案与损失重新加权策略，克服长视频训练中的挑战
2025-02-02 16:02:01
ScriptViz – 斯坦福大学推出的剧本可视化AI辅助工具
ScriptViz是由斯坦福大学研究人员推出的一款剧本可视化辅助工具，基于大型电影数据库MovieNet，根据剧本文本和对话检索出相匹配的电影画面，将编剧的文字描述转换成具体的视觉图像。工具提供对视觉元素的精确控制，支持编剧设定固定和可变属性，生成与剧本描述紧密一致的视觉参考
2025-02-02 15:33:03
MLE-bench – OpenAI推出AI代理性能评估的基准测试工具
MLE-bench 是 OpenAI 推出的一个基准测试工具，旨在衡量AI代理（AI Agent）在机器学习工程任务中的表现。测试包含75个来自 Kaggle 的竞赛任务，覆盖自然语言处理、计算机视觉和信号处理等多个领域。AI 代理在这个环境中完成理解比赛描述、处理数据集、训练模型、提交结果等一系列任务，最终根据排行榜得分评估能力。
2025-02-01 23:07:23
GTSinger – 浙大开源的大型多语言高质量歌声数据集
GTSinger是由浙江大学研究团队推出的大型开源高质量歌声数据集，旨在支持多样化的歌声任务。GTSinger包含80 59小时的专业录音棚录制的歌声，涵盖九种不同语言（汉语、英语、日语、韩语、俄语、西班牙语、法语、德语和意大利），由20位专业歌手演唱，提供丰富的音色和风格多样性。
2025-02-01 22:47:16
LightRAG – 香港大学推出的开源检索增强生成系统
LightRAG是由香港大学研究团队推出的一种检索增强生成（Retrieval-Augmented Generation, RAG）系统，基于整合图结构索引和双层检索机制，提升大型语言模型在信息检索中的准确性和效率。系统能捕捉实体间的复杂依赖关系，全面理解信息，处理具体和抽象查询，确保用户获得既相关又丰富的响应。
2025-02-01 22:22:20
Gen2Act – 谷歌、卡内基梅隆、斯坦福联合推出生成人类视频引导机器人操作策略
Gen2Act是由谷歌、卡内基梅隆大学和斯坦福大学共同推出的一种机器人操作策略，基于预测网络数据中的运动信息来生成人类视频，并将视频用在引导机器人执行新任务。策略基于大量可用的网络视频数据，避免直接生成机器人视频的复杂性。
2025-02-01 21:53:30
T2V-Turbo – 谷歌开源的文本到视频生成模型
T2V-Turbo是一种先进的文本到视频生成模型，由Google、UC Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）、和University of Waterloo（滑铁卢大学）的研究人员共同推出。基于在预训练的T2V模型的一致性蒸馏过程中整合来自多种可微分奖励模型的反馈，实现快速且高质量的视频生成。
2025-02-01 21:28:46
FLUX.1-Turbo-Alpha – 阿里推出的文本到图像生成模型，基于FLUX.1-dev
FLUX 1-Turbo-Alpha是阿里妈妈创意团队基于FLUX 1-dev模型训练的8步蒸馏Lora模型。基于多头判别器技术，升图像生成的质量，支持文本到图像的生成及修复控制网等多种应用。模型易于使用，与Diffusers框架结合，基于简单代码快速生成图像。
2025-02-01 21:03:56
OpenR – 伦敦大学联合多所高校推出提升大模型推理能力的框架
OpenR是一个由伦敦大学学院（UCL）、上海交通大学、利物浦大学、香港科技大学（广州）和西湖大学联合开源的全链条训练框架，旨在提升大型语言模型（LLM）的复杂推理能力。OpenR集成过程奖励模型（PRM）训练、强化学习、多种搜索框架，基于模型方法超越传统的自回归方法。
2025-02-01 20:43:13
Agent-S – 基于图形用户界面实现人机交互自动化的代理框架
Agent-S 是创新的代理框架，旨在基于图形用户界面（GUI）实现人机交互的自动化。Agent-S 基于模拟人类的操作方式，用鼠标和键盘直接与计算机交互，处理复杂的多步骤任务。Agent-S 引入经验增强的分层规划方法，结合在线网络知识和内部记忆，将复杂任务分解为可管理的子任务。
2025-02-01 20:22:27
Adobe Firefly – Adobe推出的系列创意生成式AI模型
Adobe Firefly 是 Adobe 推出的一系列创意生成式 AI 模型，旨在帮助用户扩展其天生的创造力。这些模型集成在 Adobe 的旗舰应用程序和 Adobe Stock 中，支持的功能包括图像、矢量图形和设计模型，以及最新的视频模型 。
2025-02-01 20:00:44
Augmented Physics – 将教科书静态图表生成交互式物理模拟的AI技术
Augmented Physics是一个创新的教育工具，基于集成机器学习技术，将物理教科书中的静态图表转换成互动式和嵌入式的物理模拟。工具基于先进的计算机视觉技术，比如Segment Anything和多模态大型语言模型（LLM），让用户能半自动地从教科书中提取图表，生成可交互的仿真。
2025-02-01 19:31:29
podlm-public – 开源的AI博客生成工具，支持网页URL、文本转换成博客
podlm-public是一个开源AI播客工具，旨在创建一个中文版的NotebookLM替代品，专门用在将任意URL转换成播客内容，再推送到小宇宙平台。项目基于先进的AI技术，支持用户用简单的操作生成专业的播客内容。
2025-02-01 19:03:54
Yi-Lightning – 零一万物最新推出的高性能高速度旗舰模型
Yi-Lightning 是零一万物公司最新发布的旗舰模型，在国际权威盲测榜单 LMSYS 上取得了显著成绩，超越了硅谷知名 OpenAI 的 GPT-4o-2024-05-13 和 Anthropic Claude 3 5 Sonnet，排名世界第六，中国第一。
2025-02-01 18:43:08
FunASR – 阿里开源的多功能语音识别工具包
FunASR是由阿里巴巴达摩院开源的语音识别工具包，提供包括语音识别（ASR）、语音活动检测（VAD）、标点恢复、语言模型、说话人验证、说话人分离及多说话人ASR等多种功能。FunASR工具包支持工业级语音识别模型的训练和微调，旨在帮助研究人员和开发者更高效地进行语音识别模型的研究和生产，推动语音识别技术的发展。
2025-02-01 18:20:35
CleanS2S – 流式语音到语音交互智能体原型，同时进行听和说
CleanS2S是一个流式语音到语音（S2S）交互智能体原型，提供高质量、实时的语音交互体验。CleanS2S项目基于单文件实现，简化配置和理解过程，便于用户和研究人员快速体验语言用户界面（LUI）的强大功能，探索S2S管道的潜力。
2025-02-01 17:57:10
Hallo2 – 复旦、百度和南大共同推出的音频驱动视频生成模型
Hallo2是复旦大学、百度公司和南京大学共同推出的音频驱动视频生成模型。能将单张参考图片和持续几分钟的音频输入结合起来，基于可选的文本提示调节肖像表情，生成与音频同步的高分辨率4K视频。
2025-02-01 17:31:42
模型判官 – 在线AI模型评测平台，三个模型生成回答，第四个模型进行评判
模型判官是一个基于 Next js 构建的在线AI模型评测平台，用户输入问题并选择多个AI模型进行测试，帮助用户快速识别出最适于需求的AI模型。平台的特色在于，提供多个模型的回答，自动调用一个评判模型评估回答的质量，给出评分和最终的推荐答案。
2025-02-01 17:04:00
人气排行
24小时排行
