最新AI教程资讯
Pixtral Large – Mistral AI开源的超大多模态模型
Pixtral Large是法国Mistral AI开源的1240亿参数超大多模态模型，具备前沿级图像理解能力，支持128K上下文，能理解文本、图表和图像。Pixtral Large基于Mistral Large 2开发，拥有1230亿参数的多模态解码器和10亿参数的视觉编码器，在多个基准测试中表现超越其他模型（超过了GPT-4o、Gemini-1 5Pro、Claude-3 5Sonnet、Llama-3 290B等模型），成为目前最强的开源多模态模型。
2025-01-20 12:08:40
Qwen2.5-Turbo – 阿里推出的长文本模型，支持上下文长度1M tokens
Qwen2 5-Turbo是阿里推出的先进语言模型，将上下文长度从 128k 扩展到了 1M ，相当于100万个英文单词或150万个汉字。扩展让模型能处理更长的文本，如长篇小说、演讲稿或代码。Qwen2 5-Turbo用高效的推理速度和经济实惠的价格（比 GPT4o-mini便宜），除了 Gemini 外成为目前上下文长度最高的模型，仅通过API接入，为用户提供强大的语言处理能力。
2025-01-20 11:44:45
LLaVA-o1 – 北大清华联合多所机构推出开源的视觉语言模型
LLaVA-o1是北京大学、清华大学、鹏城实验室、阿里巴巴达摩院以及理海大学（Lehigh University）组成的研究团队推出的开源视觉语言模型，基于Llama-3 2-Vision模型构建，能进行自主的多阶段“慢思考”推理。
2025-01-20 11:17:38
PixelWave Flux – AI图像生成模型，基于FLUX.1-dev模型微调版本
PixelWave Flux 1-dev 03是基于FLUX 1-dev模型在NVIDIA 4090上微调的AI图像生成模型，有卓越的模型泛化能力，模型在处理多种艺术风格、摄影和动漫图像方面表现出色，在审美、写实和动漫风格上有明显的提升。
2025-01-20 10:54:57
Computer Use OOTB – 开源 GUI 框架，基于Claude 3.5 Computer Use API实现远程控制
Computer Use OOTB是开源的GUI 框架，基于Claude 3 5 Computer Use API实现对计算机的自动化控制。框架支持跨平台操作，用户在Windows和macOS系统上能轻松部署GUI自动化模型，无需复杂的设置。CU-OOTB支持基于互联网从任何设备远程控制计算机，包括用手机等移动设备，提供便捷的远程操作能力。
2025-01-20 10:28:50
Fireworks f1 – 复合AI模型，多个开源AI模型组合解决复杂推理问题
Fireworks f1是Fireworks公司推出的复合AI模型，针对复杂推理任务设计。基于在推理层融合多个开放模型，实现超越单一模型的性能和可靠性。f1模型支持开发者用提示的方式轻松访问复合AI的能力，简化构建复杂AI应用的过程。Fireworks f1在编码、聊天和数学领域的基准测试中超过 GPT-4o 和 Claude 3 5 Sonnet。
2025-01-20 10:04:07
AgileGen – AI生成式软件开发框架，自动生成软件代码和原型
AgileGen是生成式软件开发框架，通过人与AI协作增强软件的创建过程。AgileGen包含两个核心部分：终端用户决策制定和AgileGen智能体。框架用Gherkin语言设计和确认用户故事和验收标准，确保软件代码与用户需求保持一致。
2025-01-20 09:43:15
Frames – Runway 推出的AI图像生成模型
Frames是Runway推出的最新AI图像生成模型，在风格控制和视觉保真度方面取得巨大进步。Frames能维持风格一致性，支持广泛的创意探索，为项目建立特定外观，并生成符合用户美学的变体。基于Frames，用户能精确设计想要创造的世界的外观、感觉和氛围，在更大的创意流程中构建更多的世界。
2025-01-20 09:15:57
OmniSearch – 阿里通义推出的多模态检索增强生成框架
OmniSearch是阿里巴巴通义实验室推出的多模态检索增强生成框架，具备自适应规划能力。OmniSearch能动态拆解复杂问题，根据检索结果和问题情境调整检索策略，模拟人类解决复杂问题的行为，提升检索效率和准确性。OmniSearch引入动态检索规划框架，基于递归检索与推理流程，逐步接近问题解答，显著提高多模态检索的灵活性和效果。
2025-01-17 18:20:56
Perplexica – 开源AI搜索引擎，支持多种搜索模式、实时信息更新
Perplexica是开源的AI驱动搜索引擎，是Perplexity AI的开源替代品。基于机器学习算法和自然语言处理技术理解用户查询，提供精确答案。Perplexica支持多种搜索模式，包括全网搜索、写作助手、学术搜索、YouTube搜索、Wolfram Alpha搜索和Reddit搜索。Perplexica支持本地大型语言模型，用API将搜索功能集成到其他应用中，集成 SearxNG 搜索技术确保获得最新的信息。
2025-01-17 18:00:40
Memoripy – 支持 AI 应用上下文感知的记忆管理Python库
Memoripy是一个Python库，为AI应用提供上下文感知的记忆管理。Memoripy支持短期和长期记忆存储，兼容OpenAI和Ollama API。核心功能包括记忆检索、概念提取、图基关联、层次聚类及记忆衰减和强化。基于这些功能，Memoripy帮助AI系统更好地理解和响应用户交互，提升对话的连贯性和个性化体验。
2025-01-17 17:34:58
AnimateAnything – 浙江大学联合北航推出的统一可控视频生成技术
AnimateAnything是浙江大学和北京航空航天大学研究者推出的统一可控视频生成技术。AnimateAnything能精确操作视频，包括控制相机轨迹、文本提示和用户动作注释。基于多尺度控制特征融合网络，该技术将控制信息转化为逐帧光流，指导视频生成。为减少大范围运动导致的闪烁，AnimateAnything提出基于频率的稳定模块。
2025-01-17 17:09:18
RAG-Diffusion – 南京大学推出的区域感知文本到图像生成方法
RAG-Diffusion是南京大学团队推出的区域感知文本到图像生成方法。基于区域硬绑定和区域软细化两个阶段，实现对图像中各个区域的精确控制和细节优化。RAG-Diffusion支持图像重绘功能，用户在保持其他区域不变的情况下修改特定区域，无需额外的内绘模型。
2025-01-17 16:43:41
FitDiT – 腾讯联合复旦推出的高保真虚拟试穿技术
FitDiT是高保真虚拟试穿技术，是腾讯和复旦大学联合推出的。基于Diffusion Transformers（DiT）关注高分辨率特征，提升服装细节的呈现。FitDiT用服装纹理提取器和服装先验演化技术，增强对服装纹理如条纹、图案和文字的捕捉能力。用扩张-松弛掩码策略，优化服装尺寸适配问题。
2025-01-17 16:21:46
Documind – 开源AI文档处理工具，将PDF转换为图像提取结构化数据
Documind是开源的AI文档处理工具，能从PDF文档中提取结构化数据。Documind具备将PDF转换为图像、用OpenAI API进行信息提取，根据用户定义的模式格式化输出结果的功能。Documind支持在本地或云端灵活部署，适用于多种文档格式的数据处理。用户基于定义提取模式指定所需信息，Documind据此从文档中提取相应的数据。
2025-01-17 15:56:59
MARS – 字节推出优化大模型训练效率的框架
MARS（Make vAriance Reduction Shine）是字节跳动推出的创新的优化框架，提升大型模型训练的效率。MARS融合预条件梯度方法与方差减少技术，基于缩放随机递归动量技术优化梯度估计。MARS框架灵活，支持全矩阵或对角Hessian近似，衍生出基于AdamW、Lion和Shampoo的三种优化算法实例。
2025-01-17 15:32:47
Verifier Engineering – 中科院、阿里、小红书联合推出的新型后训练范式
Verifier Engineering（验证器工程）是中国科学院、阿里巴巴和小红书联合推出的新型后训练范式，为基础模型设计，解决提供有效监督信号的挑战。Verifier Engineering基于自动化验证器执行验证任务并向基础模型提供反馈，分为搜索、验证和反馈三个阶段，优化模型性能。
2025-01-17 15:12:36
XiYan-SQL – 阿里推出文本到SQL的多生成器集成框架
XiYan-SQL是阿里巴巴推出的自然语言到SQL（NL2SQL）框架，基于多生成器集成策略，结合提示工程和监督微调，提升SQL查询生成质量。XiYan-SQL引入M-Schema半结构化架构表示，增强对数据库结构的理解，包括数据类型、主键和示例值。
2025-01-17 14:46:13
KuaiFormer – 快手推出的检索框架，基于Transformer
KuaiFormer是快手技术团队推出的基于Transformer的检索框架，用在大规模内容推荐系统。基于重新定义检索流程，从传统的分数估计任务转变为Transformer驱动的“下一个动作预测”范式，有效进行实时兴趣获取和多兴趣提取，显著提升检索性能。KuaiFormer用多兴趣查询Token、自适应序列压缩机制，实现在亿级候选集上的稳定训练。
2025-01-17 14:16:42
EyeDiff – 文本到图像扩散模型，自然语言生成多模态眼科图像
EyeDiff是文本到图像的扩散模型，基于自然语言提示生成多模态眼科图像，提高常见和罕见眼病的诊断准确性。模型在多个大规模数据集上训练，能准确捕捉关键病变特征，并与文本提示高度一致。基于集成生成的图像，EyeDiff显著提升检测少数类别和罕见眼病的准确性，有效解决数据不平衡问题。
2025-01-17 13:56:16
人气排行
24小时排行
