最新AI教程资讯
GLM-4-Voice – 智谱AI推出的端到端情感语音模型
GLM-4-Voice是智谱AI推出的端到端情感语音模型，能直接理解和生成中英文语音，支持实时语音对话，能根据用户指令灵活调整语音的情感、语调、语速和方言等特征。模型由三个部分组成：GLM-4-Voice-Tokenizer负责将连续语音转换为离散token，GLM-4-Voice-Decoder将token转换回连续语音输出，GLM-4-Voice-9B基于GLM-4-9B模型进行预训练和对齐，理解和生成语音
2025-01-29 14:15:03
Unbounded – 谷歌推出的首款AI生成式无限人生模拟游戏
Unbounded是谷歌和北卡罗来纳大学教堂山分校共同推出的无限人生模拟游戏。游戏突破传统视频游戏的局限，用生成模型，如大型语言模型(LLM)和视觉生成模型，创造一个没有固定规则和边界的游戏体验。玩家与自己的虚拟角色互动，用自然语言指令引导角色在虚拟世界中探索、互动，形成连贯的故事线。
2025-01-28 22:08:49
AutoGLM – 智谱AI推出的模拟人类操作手机的AI智能体
AutoGLM是智谱AI团队最新推出的 “Phone Use” AI智能体，基于图形用户界面（GUI）实现自主任务完成。AutoGLM能模拟人类在手机操作，执行如社交媒体互动、在线购物、酒店预订等任务。AutoGLM能接收简单的文字或语音指令，自动完成复杂的操作流程，无需用户手动干预。
2025-01-28 21:45:24
EveryoneNobel – AI图像生成工具，生成个性化诺贝尔奖风格图像
EveryoneNobel是一个开源AI工具，为每个人生成个性化的诺贝尔奖风格图像。EveryoneNobel基于ComfyUI框架，结合HTML模板和图像生成技术，用户只需上传肖像照片、提供基本信息，如姓名和获奖主题，系统能自动生成独具特色的诺贝尔奖“奖状”。
2025-01-28 21:25:03
TextHarmony – 字节联合华东师范推出的多模态生成模型
TextHarmony是华东师范大学和字节跳动共同推出的多模态生成模型，擅长理解和生成视觉文本。模型基于Slide-LoRA技术，动态聚合特定于模态和模态无关的LoRA专家，部分解耦多模态生成空间，在单一模型实例中协调视觉和语言的生成。
2025-01-28 21:03:08
BlinkShot – 开源的实时AI图像生成器，几毫秒内生成高质量图像
BlinkShot是实时AI图像生成器，能迅速生成高质量的图像。用户只需输入提示，BlinkShot能在几毫秒内生成图像。工具基于Together AI的Flux Schnell技术，支持自定义分辨率和生成步骤，非常适合艺术创作和设计领域的专业人士使用。
2025-01-28 20:36:46
NotebookLlama – Meta推出的PDF转播客内容的开源项目
NotebookLlama是Meta推出的将PDF文档转换成播客内容的开源项目。项目基于一系列自动化步骤实现，用LLaMa模型进行PDF预处理、生成播客脚本、增加戏剧化元素及文本转语音合成。整个过程无需人工干预，产出专业水准的播客。
2025-01-28 20:15:05
WonderWorld – 斯坦福和MIT联合推出的生成多样化连贯3D场景AI框架
WonderWorld是斯坦福大学和麻省理工学院共同推出的创新性3D场景生成框架，能从单张图片快速生成多样化且连贯的3D虚拟世界。基于核心的Fast LAyered Gaussian Surfels (FLAGS)表示法和引导深度扩散技术，框架在不到10秒的时间内完成场景的生成，极大地提高3D场景创建的速度，保证新旧场景之间的几何一致性。
2025-01-28 19:47:14
Meissonic – 阿里联合多所高校推出的文本到图像合成模型
Meissonic是由阿里巴巴集团、Skywork AI等多所大学合作推出的文本到图像合成模型。基于掩蔽图像建模技术，结合多模态和单模态Transformer层、高级位置编码策略和优化的采样条件，提升图像生成的效率和性能。模型用1B参数，依赖高质量训练数据、微条件和特征压缩层，生成高质量、高分辨率图像，性能与大型扩散模型相当。
2025-01-28 19:20:02
Zamba2-7B – Zyphra推出的小型语言模型
Zamba2-7B是Zyphra公司推出的小型语言模型，基于创新的架构在保持输出质量的同时实现快速的推理速度和低内存占用。模型在处理图像描述等任务时表现出色，适合在边缘设备和消费级GPU上运行。Zamba2-7B采用Mamba2块替代Mamba1块，引入两个共享注意力块用ABAB模式排列，在MLP模块上应用LoRA投影器提高性能。
2025-01-28 18:54:24
PersonaTalk – 字节跳动推出的实现高保真和个性化视觉配音框架
PersonaTalk是字节跳动推出的基于注意力机制的两阶段框架，用在实现高保真度和个性化的视觉配音。PersonaTalk能在合成与目标音频精准唇形同步的视频的同时，保留说话者的独特说话风格和面部细节。
2025-01-28 18:33:23
OpenSPG – 蚂蚁联合OpenKG开源的知识图谱引擎
OpenSPG是蚂蚁集团联合OpenKG社区推出的基于SPG框架的知识图谱引擎。OpenSPG融合LPG的结构性和RDF的语义性，克服RDF OWL语义复杂难以落地的问题，继承LPG结构简单与大数据体系兼容的优势。
2025-01-28 18:09:52
LongVU – Meta AI开源的长视频理解模型
LongVU是Meta AI团队推出的长视频理解模型，基于时空自适应压缩机制。解决处理长视频时受限于大型语言模型（LLM）上下文大小的挑战。LongVU基于跨模态查询和帧间依赖性，LongVU能在减少视频标记数量的同时，保留长视频的视觉细节
2025-01-28 17:48:37
SynthID Text – 谷歌DeepMind推出的AI生成文本水印技术
SynthID Text 是谷歌DeepMind 推出的文本水印技术，用在识别和验证由大型语言模型（LLM）生成的文本。基于细微调整生成过程中的Token概率分数嵌入几乎无法察觉的水印，在不影响文本质量和用户体验的情况下，实现高检测精度。
2025-01-28 17:18:55
VILA-U – 融合多模态理解和生成的统一基础模型
VILA-U是集成视频、图像、语言理解和生成的统一基础模型。基于单一的自回归下一个标记预测框架处理理解和生成任务，简化模型结构，在视觉语言理解和生成方面实现接近最先进水平的性能。VILA-U的成功归因于在预训练期间将离散视觉标记与文本输入对齐的能力，及自回归图像生成技术，后者能在高质量数据集上达到与扩散模型相似的图像质量。
2025-01-28 16:56:45
Video-XL – 智源联合多所高校推出的开源超长视觉理解模型
Video-XL是北京智源人工智能研究院联合上海交大、中国人民大学、中科院、北邮和北大的研究人员共同推出的专为小时级视频理解设计的超长视觉理解模型。基于视觉上下文潜在总结技术将视觉信息压缩成紧凑的形式，提高处理效率、减少信息丢失。
2025-01-28 16:32:16
Embed3 – Cohere推出的多模态AI搜索模型，支持动态更新机制
Embed3是Cohere公司推出的行业领先的多模态AI搜索模型，能从文本和图像生成嵌入向量，帮助企业快速准确地搜索复杂报告、产品目录和设计文件等多模态资产。Embed3将数据转换为数值表示，比较相似性和差异性，实现智能搜索，支持超过100种语言，适于全球客户。
2025-01-28 16:07:51
DriveDreamer4D – 基于世界模型增强4D驾驶场景重建效果的框架
DriveDreamer4D是用在提升自动驾驶场景4D重建质量的框架，基于世界模型先验增强4D驾驶场景的表示。框架能基于真实世界的驾驶数据合成新的轨迹视频，用明确结构化条件控制前景和背景元素的时空一致性，确保生成的数据严格遵守交通约束。
2025-01-27 15:01:36
Animate-X – 阿里巴巴开源的通用动画生成框架
Animate-X是基于LDM的通用动画框架，能将静态图像转化为动态视频，擅长处理拟人化角色。 通过引入姿势指示器，增强了对运动模式的捕捉能力，包括隐式和显式运动特征。 Animate-X适用于人类角色，能处理卡通人物或游戏角色等非人类角色动画，无需严格的图像对齐。
2025-01-27 14:40:02
MarDini – Meta联合KAUST推出的视频生成扩散模型
MarDini是新型的视频扩散模型，融合掩码自回归（MAR）和扩散模型（DM）的优势，用在大规模视频生成。模型能处理任意数量和位置的掩码帧，支持视频插值、图像到视频生成及视频扩展等多种任务。MarDini将大部分计算资源分配给低分辨率的规划模型，实现空间-时间注意力机制的大规模应用，提高视频生成的效率和灵活性。
2025-01-27 14:10:39
人气排行
24小时排行
