最新AI教程资讯
ViewExtrapolator – 南洋理工联合UCAS团队推出的新型视图合成方法
ViewExtrapolator是南洋理工大学、UCAS研究团队共同推出的新视角外推方法，基于稳定视频扩散（Stable Video Diffusion, SVD）的生成先验合成远超出训练视图范围的新视角。这种方法基于重新设计SVD的去噪过程，有效优化辐射场或点云渲染中易产生伪影的视图，生成更清晰、更逼真的新视角图像。
2025-01-15 11:06:40
OpenScholar – 华盛顿大学联合艾伦研究所开源的学术搜索工具
OpenScholar是华盛顿大学和艾伦AI研究所共同推出的检索增强型语言模型（LM），能帮助科学家基于检索和综合科学文献中的相关论文回答问题。系统用大规模的科学论文数据库，用定制的检索器和重排器，及一个优化的8B参数语言模型，生成基于实际文献的、准确的回答。
2025-01-15 10:40:37
SmolVLM – Hugging Face推出的轻量级视觉语言模型
SmolVLM是Hugging Face推出的轻量级视觉语言模型，专为设备端推理设计。以20亿参数量，实现了高效内存占用和快速处理速度。SmolVLM提供了三个版本以满足不同需求：SmolVLM-Base：适用于下游任务的微调。SmolVLM-Synthetic：基于合成数据进行微调。SmolVLM-Instruct：指令微调版本，可直接应用于交互式应用中。
2025-01-15 10:17:09
OneDiffusion – 无缝支持双向图像合成和理解的开源扩散模型
OneDiffusion是AI2推出的多功能大规模扩散模型，能无缝支持双向图像合成和理解，涵盖文本到图像生成、条件图像生成、图像理解等多种任务。基于将所有条件和目标图像建模为序列“视图”训练，实现在推理时任意帧作为条件图像的能力。
2025-01-15 09:55:46
LongAlign – 港大推出的提升文本到图像扩散模型处理长文本对齐方法
LongAlign是香港大学研究团队推出的文本到图像（T2I）扩散模型的改进方法，能提升长文本输入的对齐精度。LongAlign用段级编码技术，将长文本分割处理，适应编码模型的输入限制。同时引入分解偏好优化，基于区分偏好模型中的文本相关和无关部分，应用不同权重减少过拟合，增强对齐度。
2025-01-15 09:32:40
ebook2audiobookXTTS – 开源电子书转有声书 AI 工具，支持16种语言
ebook2audiobookXTTS是开源的AI工具，能将电子书转换为有声书。ebook2audiobookXTTS支持多种电子书格式，如epub、pdf、mobi等，用Coqui XTTS技术实现高质量的文本到语音转换。工具支持16种语言，操作简便，提供命令行、Web界面和Docker容器等多种使用方式。
2025-01-15 09:09:55
Optima – 清华联合北邮推出优化通信效率和任务有效性的训练框架
Optima是清华大学推出的优化基于大型语言模型（LLM）的多智能体系统（MAS）的框架。基于一个迭代的生成、排名、选择和训练范式，显著提高通信效率和任务效果。Optima平衡了任务性能、令牌效率和通信可读性，探索了多种强化学习算法，并集成蒙特卡洛树搜索技术生成高质量的训练数据。
2025-01-14 17:52:33
MuCodec – 清华、腾讯AI、港中文共同推出的超低比特率音乐编解码器
MuCodec是清华大学深圳国际研究生院、腾讯AI实验室和香港中文大学的研究人员共同推出的超低比特率音乐编解码器，能实现音乐的高效压缩与高保真重建。MuCodec基于MuEncoder提取音乐的声学和语义特征，用RVQ技术进行特征离散化，并基于流匹配方法重建Mel-VAE特征。
2025-01-14 17:29:48
Find3D – 加州理工学院推出的3D部件分割模型
Find3D是加州理工学院推出的3D部件分割模型，能根据任意文本查询分割任意对象的任何部分。Find3D用一个强大的数据引擎自动从互联网上的3D资产生成训练数据，并用对比训练方法训练一个可扩展的3D模型。
2025-01-14 17:08:33
Sketch2Lineart – AI绘画工具，自动将手绘草图转换成清晰的线条画
Sketch2Lineart是基于人工智能的绘画工具，能将简单的手绘草图转换成清晰的线条画。通过自动生成草图描述并据此绘制线条画，支持调整细节适应不同风格。用户只需上传草图，可在线预览下载转换后的线条画。
2025-01-14 16:45:05
Fancy123 – 华中科技和华南理工推出的3D网格生成技术
Fancy123是华中科技大学和华南理工大学推出的3D网格生成技术，基于即插即用的变形技术从单张图片生成高质量的3D网格。该方法包含两个增强模块和反投影操作，分别解决多视图图像的局部不一致性、提高网格对输入图像的保真度及确保高清晰度。
2025-01-14 16:19:15
Mooncake – 月之暗面Kimi联合清华等机构推出的大模型推理架构
Mooncake是月之暗面Kimi联合清华大学等机构共同开源的大模型推理架构。采用以KVCache为中心的分布式架构，通过分离预填充和解码集群，充分利用GPU集群中未充分利用的CPU、DRAM和SSD资源，实现高效的KVCache缓存。Mooncake的核心优势在于能显著提升大模型推理的吞吐量，降低算力开销，在保持服务延迟相关的服务级别目标（SLO）的同时，处理高负载场景。
2025-01-14 15:56:59
QwQ-32B-Preview – 阿里开源的AI推理模型，基准测试超越 o1 模型
QwQ-32B-Preview（QwQ-32B）是阿里推出的开源AI推理模型，在数学和编程领域表现卓越。QwQ-32B-Preview包含325亿参数，能处理长达32000个tokens的提示词。在多个基准测试中，包括GPQA、AIME、MATH-500和LiveCodeBench，QwQ-32B-Preview超越OpenAI的o1模型。
2025-01-14 15:36:27
InfiMM-WebMath-40B – 字节联合中科院开源的超大规模多模态数据集
InfiMM-WebMath-40B 是字节跳动和中国科学院联合开源的超大规模多模态数据集，旨在提升多模态模型的图文混合推理能力，在数学领域。数据集从 Common Crawl 中提取，经过严格的筛选、清洗和标注，包含 2400 万个网页、8500 万个图像 URL 和 400 亿个文本标记，涵盖了丰富的数学和科学相关内容。
2025-01-14 15:07:40
SAM 2.1 – Meta 开源的视觉分割模型
SAM 2 1（全称Segment Anything Model 2 1）是Meta（Facebook的母公司）推出的先进视觉分割模型，用于图像和视频。基于简单的Transformer架构和流式记忆设计，实现实时视频处理。SAM 2 1在前代基础上引入数据增强技术，改善对视觉相似物体和小物体的识别，提升遮挡处理能力。
2025-01-14 14:40:23
Qwen2vl-Flux – 开源的多模态图像生成模型，支持多种生成模式
Qwen2VL-Flux是多模态图像生成模型，结合Qwen2VL的视觉语言理解和FLUX框架，基于文本提示和图像参考生成高质量的图像。模型支持多种生成模式，包括变体生成、图像到图像转换、智能修复及ControlNet引导生成，具备深度估计和线条检测功能，实现更精确的图像控制。
2025-01-14 14:11:49
ShowUI – 新加坡国立联合微软推出用于 GUI 自动化的视觉-语言-操作模型
ShowUI是新加坡国立大学Show Lab和微软共同推出的视觉-语言-行动模型，能提升图形用户界面（GUI）助手的工作效率。模型基于UI引导的视觉令牌选择减少计算成本，用交错视觉-语言-行动流统一GUI任务中的多样化需求，并管理视觉-行动历史增强训练效率。
2025-01-14 13:50:57
NVLM – 英伟达推出的多模态大型语言模型
NVLM是NVIDIA推出的前沿多模态大型语言模型（LLMs），在视觉-语言任务上达到与顶尖专有模型（如GPT-4o）和开放访问模型（如Llama 3-V 405B和InternVL 2）相匹敌的性能。NVLM 1 0家族包括三种架构：仅解码器模型NVLM-D、基于交叉注意力的模型NVLM-X和混合架构NVLM-H。
2025-01-14 13:26:20
Promptriever – 信息检索模型，支持自然语言提示响应用户搜索需求
Promptriever 是约翰斯·霍普金斯大学和Samaya AI联合推出的新型检索模型，能像语言模型一样接受自然语言提示，用直观的方式响应用户的搜索需求。Promptriever 基于 MS MARCO 数据集的指令训练集进行训练，不仅在标准检索任务上表现出色，还能更有效地遵循详细指令，提高对查询的鲁棒性和检索性能。
2025-01-14 12:57:24
LongLLaVA – 香港中文大学推出的多模态上下文混合架构大语言模型
LongLLaVA是多模态大型语言模型（MLLM），基于混合架构结合Mamba和Transformer模块，能高效处理大量图像，特别擅长视频理解和高分辨率图像分析。LongLLaVA在单个A100 80GB GPU上能处理近千张图像，同时保持高性能和低内存消耗，在多模态长上下文理解任务中展现出色能力。
2025-01-14 12:35:06
人气排行
24小时排行
