最新AI教程资讯
OmniSync – 人民大学联合快手、清华推出的通用对口型框架
OmniSync是中国人民大学、快手科技和清华大学联合推出的通用对口型框架，基于扩散变换器（Diffusion Transformers）实现视频中人物口型与语音的精准同步。OmniSync基于无掩码训练范式直接编辑视频帧，无需参考帧或显式掩码，支持无限时长推理，同时保持自然的面部动态和身份一致性。
2025-07-20 07:25:00
FLUX.1 Kontext – Black Forest Labs 推出的图像生成与编辑模型
FLUX 1 Kontext 是由 Black Forest Labs 推出的图像生成与编辑模型，支持上下文感知的图像处理。模型基于文本和图像提示进行生成与编辑，支持对象修改、风格转换、背景替换、角色一致性保持和文本编辑等多种任务。
2025-07-20 07:01:00
SignGemma – 谷歌DeepMind推出的手语翻译AI模型
SignGemma 是谷歌 DeepMind 团队推出的全球最强大的手语翻译AI模型。专注于将美国手语（ASL）翻译成英语文本，通过多模态训练方法，结合视觉数据和文本数据，精准识别手语动作并实时转化为口语文本。
2025-07-19 14:37:00
DGM – 自改进AI Agent系统，会迭代修改自身代码提升性能
DGM（Darwin Gödel Machine）是自改进人工智能系统，通过迭代修改自身代码来提升性能。DGM从其维护的编码代理档案中选择一个代理，基于基础模型生成新版本，然后在编码基准测试中验证新代理的性能。
2025-07-19 14:13:00
Circuit Tracer – Anthropic开源的AI模型内部决策追踪工具
Circuit Tracer 是 Anthropic 推出的开源工具，用在研究大型语言模型的内部工作机制。Circuit Tracer 基于生成归因图（attribution graphs）揭示模型在生成特定输出时内部所经历的步骤
2025-07-19 13:49:00
从容大模型 – 云从科技推出的多模态AI模型
从容大模型是云从科技推出的多模态AI模型。模型在国际权威评测平台OpenCompass的多模态榜单中以80 7分登顶，超越谷歌、OpenAI等顶尖团队。
2025-07-19 13:25:00
DeepEyes – 小红书联合西安交大推出的多模态深度思考模型
DeepEyes 是小红书团队和西安交通大学联合推出的多模态深度思考模型。基于端到端强化学习，实现类似 OpenAI o3 的“用图思考”能力，无需依赖监督微调（SFT）。DeepEyes 在推理过程中动态调用图像工具，如裁剪和缩放，增强对细节的感知与理解。
2025-07-19 13:01:00
TrackVLA – 银河通用推出的纯视觉端到端导航大模型
TrackVLA是银河通用推出的产品级端到端导航大模型。模型具备纯视觉环境感知、语言指令驱动、自主推理和零样本泛化能力，能实现从视觉感知到动作输出的全链路闭环。无需提前建图，在复杂环境中自主导航、灵活避障，根据自然语言指令识别和跟踪目标对象。
2025-07-19 12:37:00
TEN VAD – AI实时语音活动检测系统，低延迟、轻量级、高精度
TEN VAD 是高性能的实时语音活动检测系统，专为企业级应用设计。TEN VAD能精确地检测音频流中的语音活动，具有低延迟、轻量级和高精度的特点。TEN VAD 基于先进的 AI 技术，如深度学习模型，快速区分语音和非语音信号，显著降低对话系统的响应延迟。
2025-07-19 12:13:00
Google AI Edge Gallery – 谷歌推出的AI应用，支持手机端离线运行AI模型
Google AI Edge Gallery 是谷歌推出的实验性应用，支持让用户在本地设备上体验和使用机器学习（ML）及生成式人工智能（GenAI）模型。应用目前支持在 Android设备上运行，无需联网即可使用。
2025-07-19 11:49:00
VRAG-RL – 阿里通义推出的多模态RAG推理框架
VRAG-RL是阿里巴巴通义大模型团队推出的视觉感知驱动的多模态RAG推理框架，专注于提升视觉语言模型（VLMs）在处理视觉丰富信息时的检索、推理和理解能力。基于定义视觉感知动作空间，让模型能从粗粒度到细粒度逐步获取信息，更有效地激活模型的推理能力。
2025-07-19 11:25:00
Jaaz – 开源的AI设计Agent，本地免费Lovart平替项目
Jaaz 是开源的AI设计Agent，本地免费 Lovart 平替项目。具备强大的 AI 设计能力，能智能生成设计提示，批量生成图像、海报、故事板等。
2025-07-19 11:01:00
OCode – 终端原生AI编程助手，直接在shell环境中运行
OCode 是终端原生 AI 编程助手，为开发者提供深度代码库智能和自动任务执行功能。与本地 Ollama 模型无缝集成，将企业级 AI 辅助直接融入开发流程中。终端原生工作流，能直接在你的 shell 环境中运行
2025-07-19 10:37:00
Firesearch – Mendable AI推出的AI深度研究工具
Firesearch 是 Mendable AI 团队推出的 AI 驱动的深度研究工具。基于 Firecrawl 多源网络内容提取技术，结合 OpenAI GPT-4o 的搜索规划和内容生成能力，将复杂的查询分解为多个子问题，分别进行搜索和内容提取。
2025-07-19 10:13:00
PlayDiffusion – Play AI开源的音频编辑模型
PlayDiffusion是PlayAI推出的新型音频编辑模型，基于扩散模型技术，专门用在音频的精细编辑和修复。模型将音频编码为离散的标记序列，对需要修改的部分进行掩码处理，用扩散模型在给定更新文本的条件下对掩码区域进行去噪，实现高质量的音频编辑。
2025-07-19 09:49:00
Auto Think – 快手开源的自动思考大模型
Auto Think是快手Kwaipilot团队开源的KwaiCoder-AutoThink-preview自动思考大模型，模型针对深度思考大模型存在的“过度思考”问题进行了深入研究，提出了一种全新的自动思考模型训练范式，基于传统强化学习算法（GRPO），提出带有过程监督的强化学习方法Step-SRPO，进一步提升模型在复杂任务中的表现。
2025-07-19 09:25:00
OmniAudio – 阿里通义推出的空间音频生成模型
OmniAudio 是阿里巴巴通义实验室语音团队推出的从360°视频生成空间音频（FOA）的技术。为虚拟现实和沉浸式娱乐提供更真实的音频体验。通过构建大规模数据集Sphere360，包含超过10 3万个视频片段，涵盖288种音频事件，总时长288小时，为模型训练提供了丰富资源。
2025-07-19 09:01:01
OpenAudio S1 – Fish Audio推出的新一代语音生成模型
OpenAudio S1是Fish Audio推出的文本转语音（TTS）模型，基于超过200万小时的音频数据训练，支持13种语言。采用双自回归（Dual-AR）架构和强化学习与人类反馈（RLHF）技术，生成的声音高度自然、流畅，几乎与人类配音无异。
2025-07-19 08:37:00
MoonCast – 零样本AI播客生成系统，合成自然的播客风格
MoonCast 是零样本播客生成系统，从纯文本源合成自然的播客风格语音。通过长上下文语言模型和大规模语音数据训练，能生成几分钟长的播客音频，支持中文和英文。
2025-07-19 08:13:00
Gemini Fullstack LangGraph Quickstart – 谷歌DeepMind开源的全栈AI研究助手
Gemini Fullstack LangGraph Quickstart 是谷歌DeepMind推出的开源项目，帮助开发者快速搭建基于 Google Gemini 2 5 和 LangGraph 的全栈智能研究助手。
2025-07-19 07:49:00
人气排行
24小时排行
