最新AI教程资讯
DistilQwen2 – 阿里推出基于Qwen2优化的轻量级语言模型
DistilQwen2是基于Qwen2大模型用知识蒸馏技术优化得到的轻量级语言模型，能提高运算效率和降低部署成本。DistilQwen2基于深度剖析大模型、增强指令数据多样性和优化蒸馏算法，将复杂知识传递给小模型，提升指令遵循效果。
2025-01-24 09:42:04
Hunyuan3D-1.0 – 腾讯推出的3D生成模型，支持文生3D和图生3D
Hunyuan3D-1 0 是腾讯推出的一款3D生成模型，具备文本和图像输入条件，支持高质量的3D资产生成。该模型采用两阶段方法，首先使用多视角扩散模型生成多视角RGB图像，然后利用基于Transformer的稀疏视角大规模重建模型，将这些图像转换为3D资产。
2025-01-24 09:14:26
Hunyuan-Large – 腾讯推出的大型混合专家（MoE）模型
Hunyuan-Large是腾讯推出的大型混合专家（MoE）模型，具有3890亿总参数量和520亿激活参数量，是目前业界参数规模最大的开源MoE模型。基于Transformer架构，支持高达256K的文本序列输入，显著提升长文本任务的处理能力。
2025-01-23 17:48:51
Cofounder – 全栈AI应用构建器，辅助开发者自动生成完整的应用程序
Cofounder是开源的全栈AI开发代理，能帮助开发者基于单一提示自动生成完整的应用程序，包括后端、前端、数据库和有状态的Web应用。Cofounder基于生成式AI技术，提供基于应用架构的UI、AI引导的原型设计工具和模块化设计系统，提高开发效率和简化开发流程。
2025-01-23 17:23:44
MagicTailor – 组件可控个性化图像生成新框架
MagicTailor 是专门为组件可控个性化设计的新框架，让T2I模型在个性化过程中能够精确控制。MagicTailor 基于两个关键技术动态掩码退化（DM-Deg）和双流平衡（DS-Bal），解决语义污染和语义不平衡的挑战。DM-Deg 动态地干扰不需要的视觉语义， DS-Bal 平衡概念和组件的学习，提高个性化图像生成的质量和控制能力。
2025-01-23 17:02:24
Claude Computer Use – Anthropic推出支持AI自动化操作电脑任务的功能
Claude Computer Use是Anthropic公司为Claude 3 5 Sonnet和Claude 3 5 Haiku模型推出的新功能，支持AI模型Claude执行类似人类的电脑操作，如查看屏幕、移动光标、点击按钮和输入文本。基于API，开发者能将自然语言指令转化为计算机操作，实现自动化处理重复性任务。Claude Computer Use功能目前处在实验阶段。
2025-01-23 16:39:44
Docling – IBM开源的文档解析工具
Docling是开源的文档解析和转换工具，能高效地将多种格式的文档（包括PDF、DOCX、PPTX、图片和HTML）解析，导出为Markdown或JSON格式。Docling支持高级PDF理解、OCR功能，能与LlamaIndex和LangChain等工具集成，增强文档的检索和问答能力。
2025-01-23 16:16:42
Cerebellum – 浏览器AI助手，完成网页自动化任务和行动规划
Cerebellum是基于Claude 3 5 Sonnet和Selenium WebDriver构建的浏览器AI智能助手，能理解任务意图、执行网页自动化任务，如数据抓取和网站自动化测试。Cerebellum将网页浏览简化为有向图导航，用LLM分析页面内容和交互元素，智能规划行动路径，根据网页状态和历史操作动态调整策略。
2025-01-23 15:47:44
WebRL – 清华联合智谱AI推出的自进化在线课程强化学习框架
WebRL是清华大学、智谱AI联合推出的自我进化的在线课程强化学习框架，训练使用开放大型语言模型（LLMs）的高性能网络代理。WebRL动态生成任务、结果监督奖励模型（ORM）评估任务成功与否，及自适应强化学习策略，解决训练任务稀缺、反馈信号稀疏和在线学习中的策略分布漂移等挑战。
2025-01-23 15:23:55
GameGen-X – 香港科技大学联合多所机构推出的交互式开放世界游戏生成算法
GameGen-X是香港科技大学、中国科学技术大学等机构研究人员推出的扩散变换器模型，用在生成和交互控制开放世界游戏视频。模型能模拟游戏引擎功能，如创新角色、动态环境、复杂动作和多样化事件，支持用户用文本指令和键盘控制等多模态信号影响游戏内容，实现游戏玩法的模拟。
2025-01-23 15:03:15
OuteTTS – 开源的文本到语音合成项目，基于纯语言建模方法生成语音
OuteTTS是开源的文本到语音（TTS）项目，基于纯语言建模的方法生成语音。OuteTTS项目基于LLaMa架构，用Oute3-350M-DEV基础模型，拥有3 5亿参数。OuteTTS具备音频标记化、CTC强制对齐技术和结构化提示创建等创新音频处理方法，支持语音克隆功能，及用户创建自定义说话人的声音。
2025-01-23 14:35:01
GTA – 上海AI Lab联合交大推出评估通用工具智能体的基准测试
GTA（a benchmark for General Tool Agents）是上海交通大学和上海AI实验室共同推出的基准测试，评估大型语言模型（LLMs）在真实世界场景中调用工具的能力。GTA基于提供真实的用户问题、真实部署的工具和多模态输入输出，建立一个全面、细粒度的评估框架，有效衡量LLMs在复杂场景下的工具使用能力。
2025-01-23 14:10:26
VQAScore – CMU联合Meta推出的文本到视觉图像生成评估方法
VQAScore是CMU和Meta联合推出的评估方法，基于视觉问答（VQA）模型衡量由文本提示生成的图像质量。VQAScore用计算模型对“Does this figure show {text}?”这一问题回答“是”的概率，评估图像与文本提示的对齐程度。VQAScore的核心优势在于无需额外人类标注，直接用现有的VQA模型，用概率值的形式提供更精确的评估结果，超越传统评估指标如CLIPScore
2025-01-23 13:43:03
AndroidLab – 清华和北大联合推出系统化评估Android智能代理的框架
AndroidLab是用在训练和系统评估Android自主代理的框架，集成文本和图像模态操作环境，统一行动空间和可重现基准测试。AndroidLab支持大型语言模型和多模态模型，包含138个任务，覆盖九个应用。基于AndroidLab，开发Android指令数据集，提升开源模型的成功率。
2025-01-23 13:22:08
Recraft V3 – Recraft推出的AI文本到图像生成模型
Recraft V3是Recraft公司推出的AI文本到图像生成模型，在Hugging Face的文本到图像模型排行榜上以1172的ELO评分荣获第一。模型具有高质量的图像生成和先进的设计控制功能，支持用户精确定位文本和元素，定制品牌风格和颜色。
2025-01-23 12:59:59
Magentic-One – 微软推出的多AI智能体协同完成复杂任务系统
Magentic-One 是微软推出的通用多智能体系统，解决跨领域的复杂网络和文件任务。系统基于多智能体架构，由Orchestrator智能体领导，协调WebSurfer、FileSurfer、Coder和ComputerTerminal四个专业智能体执行任务。Magentic-One 基于微软AutoGen框架实现，支持模块化和灵活性，易于扩展和适应新任务。
2025-01-23 12:31:50
X-Portrait 2 – 字节跳动推出的单图驱动视频生成模型
X-Portrait 2是字节跳动智能创作团队推出的单图视频驱动技术，基于一张静态照片和一段驱动视频生成高质量、电影级视频。X-Portrait 2保留原图身份特征，准确捕捉细微表情和情绪，实现跨风格动作迁移，适用于写实人像和卡通图像。
2025-01-23 12:05:57
Ichigo – 开源的多模态AI语音助手，实时处理语音和文本的交织序列
Ichigo是开源的多模态AI语音助手，采用混合模态模型，能实时处理语音和文本的交织序列。基于将语音直接量化为离散令牌，用统一的变换器架构同时处理语音和文本，实现跨模态的联合推理和生成。
2025-01-23 11:44:11
CogSound – 智谱AI最新推出的音效模型
CogSound是智谱AI最新推出的音效模型，能为无声视频增添动人的音效。 基于GLM-4V的视频理解能力，CogSound能精准识别理解视频背后的语义和情感，为无声视频添加与之相匹配的音频内容，可以生成更复杂的音效，如爆炸、水流、乐器、动物叫声、交通工具声等。
2025-01-23 11:23:53
AgentSquare – 清华推出模块化智能体系统设计和搜索新框架
AgentSquare是清华大学团队推出自动搜索和优化大型语言模型（LLM）代理的框架。基于标准化的模块接口抽象，实现AI智能体的高速自我演化和自适应演进。框架包含任务规划、常识推理、工具使用和记忆学习四个核心模块，支持智能体针对不同任务场景的优化设计。
2025-01-23 10:57:08
人气排行
24小时排行
