最新AI教程资讯
Luma Photon – Luma AI 推出的全新图像生成模型
Luma Photon 是 Luma AI 推出的新一代图像生成模型，用创新的架构提供超高图像质量和低成本效率。Luma Photon支持个性化和创造性的图像生成，能理解自然语言指令，支持多轮迭代工作流程。Luma Photon 引入强大的图像参考系统，支持用户用多图像提示表达意图，实现一致角色创建和故事叙述。
2025-01-10 12:23:22
TeleAI 视频生成大模型 – 中国电信AI研究院推出的视频生成模型
TeleAI 视频生成大模型是中国电信AI研究院推出的视频生成模型，基于两阶段生成框架：先根据文本描述创建分镜头草图，再基于草图生成视频。TeleAI 视频生成大模型能确保视频中主体外观的一致性，精确控制动作和外观，实现复杂场景和动作的流畅过渡，遵循物理规律和常识。
2025-01-10 11:54:51
TPDM – 西湖大学联合北大等高校推出的时间预测扩散模型
TPDM（Time Prediction Diffusion Model）是西湖大学MAPLE实验室、南方科技大学、北京大学及西湖大学高等研究院先进技术研究所联合推出的图像生成模型，能自适应地调整去噪时间表，优化图像质量和生成效率。模型用即插即用的时间预测模块（TPM），在每个去噪步骤中根据当前隐空间特征预测下一个噪声水平。
2025-01-10 11:31:53
ConsisID – 北大联合鹏城实验室等机构推出的文本到视频生成模型
ConsisID是北京大学和鹏城实验室等机构推出的文本到视频（Text-to-Video, IPT2V）生成模型，基于频率分解技术保持视频中人物身份的一致性。模型用免调优（tuning-free）的Diffusion Transformer（DiT）架构，结合低频全局特征和高频内在特征，用分层训练策略生成高质量、可编辑且身份一致性强的视频。
2025-01-10 11:10:04
Perplexideez – 开源本地AI搜索助手，智能搜索信息来源追溯
Perplexideez是本地AI助手，支持用户在网络和自托管应用中快速搜索信息。Perplexideez项目以Postgres数据库为基础，支持Ollama或OpenAI兼容的端点，用SearXNG实例进行网络搜索。Perplexideez具备多用户支持、单点登录（SSO）功能，并提供美观的搜索结果嵌入展示。
2025-01-10 10:47:12
Micro LLAMA – 教学版 LLAMA 3模型实现，用于学习大模型的核心原理
Micro LLAMA是精简的教学版LLAMA 3模型实现，能帮助学习者理解大型语言模型架构。整个项目仅约180行代码，便于理解和学习。Micro LLAMA用的是LLAMA 3中最小的8B参数模型，模型本身需15GB存储空间，运行时约需30GB内存。
2025-01-10 10:18:33
GenCast – 谷歌DeepMind推出的AI气象预测模型
GenCast是DeepMind推出的革命性AI气象预测模型，基于扩散模型技术，提供长达15天的全球天气预报。GenCast在97 2%的预测任务中超越全球顶尖的中期天气预报系统ENS，尤其在极端天气事件的预测上表现突出。与传统模型相比，GenCast能在8分钟内生成预报，显著提高预测效率。
2025-01-10 09:51:42
Aurora – xAI为Grok AI助手推出的新图像生成模型
Aurora是xAI为AI助手Grok新增的图像生成模型。Aurora擅长创建逼真的图像，擅长人物肖像。Aurora能生成包括公共和版权人物在内的图像（如米老鼠）。Aurora 的可用性因用户等级而异，免费 xAI 用户每天能生成三张图像， xAI Premium 用户可享受无限制访问。
2025-01-10 09:26:57
FullStack Bench – 字节豆包联合M-A-P社区开源的全新代码评估基准
FullStack Bench是字节跳动豆包大模型团队与M-A-P社区联合推出的全新代码评估基准，专注于全栈编程和多语言编程能力评估。FullStack Bench覆盖超过11种真实编程场景，包含3374个问题，涉及16种编程语言，能更有效地衡量大模型在现实世界中的代码开发能力。
2025-01-09 17:56:02
Motion Prompting – 谷歌联合密歇根和布朗大学推出的运动轨迹控制视频生成模型
Motion Prompting是 Google DeepMind、密歇根大学和布朗大学联合推出的视频生成技术，基于运动轨迹（motion trajectories）控制和引导视频内容的生成。Motion Prompting用点轨迹作为灵活的运动表示，能编码从单个点到全局场景的任意复杂度的运动。用户能设计“运动提示”（motion prompts），类似于文本提示，激发视频模型的不同能力，包括对象控制、相机控制、物理现象模拟等。
2025-01-09 17:28:56
Fish Speech 1.5 – Fish Audio 推出的语音合成模型，支持13种语言
Fish Speech 1 5 是Fish Audio 推出的文本到语音（TTS）模型，基于深度学习技术如Transformer、VITS、VQVAE和GPT等。Fish Speech 1 5支持英语、日语、韩语、中文等13种语言，具备零样本和少样本语音合成能力，只需10到30秒的声音样本即可模仿高质量语音，语音克隆功能延迟时间不到150毫秒。
2025-01-09 17:02:37
ClearerVoice-Studio – 阿里通义实验室开源的语音处理框架
ClearerVoice-Studio 是阿里巴巴达摩院通义实验室开源的语音处理框架，集成语音增强、分离和音视频说话人提取等功能。框架基于复数域深度学习算法，有效消除背景噪声，保留语音清晰度，且最小化语音失真。
2025-01-09 16:37:20
PaliGemma 2 – 谷歌DeepMind推出的全新视觉语言模型
PaliGemma 2是Google DeepMind基于Gemma 2语言模型家族推出的新一代视觉语言模型（VLM），作为PaliGemma模型的升级版。结合SigLIP-So400m视觉编码器和不同规模的Gemma 2模型，支持多种分辨率，基于多阶段训练具备广泛的知识迁移能力。
2025-01-09 16:15:12
Optimus-1 – 哈工大联合鹏城实验室推出的智能体框架
Optimus-1是哈尔滨工业大学（深圳）和鹏城实验室推出的智能体框架，能解决在开放世界环境中完成长期任务的挑战。框架结合结构化知识和多模态经验，让智能体更好地执行复杂任务。
2025-01-09 15:51:12
Fox-1 – TensorOpera 开源的小语言模型系列
Fox-1是TensorOpera推出的一系列小型语言模型（SLMs），包括Fox-1-1 6B和Fox-1-1 6B-Instruct-v0 1。Fox-1模型在3万亿个网络抓取的文档数据上预训练，在50亿个指令遵循和多轮对话数据上微调。Fox-1采用3阶段数据课程和深度架构设计，具有256K的扩展词汇量和GQA机制，提高了效率和性能。
2025-01-09 15:30:42
Llama 3.3 – Meta AI推出的纯文本语言模型
Llama 3 3是Meta AI推出的70B 参数模型，大型多语言预训练语言模型，性能与40B参数的Llama 3 1相当。模型专为多语言对话优化，支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。
2025-01-09 15:05:23
One Shot, One Talk – 中科大联合香港理工推出的动态图像生成技术
One Shot, One Talk是先进的图像生成技术，能从单张图片中生成具有个性化细节的全身动态说话头像，支持逼真的动画效果，包括自然的表情变化和生动的身体动作。One Shot, One Talk是中国科学技术大学和香港理工大学的研究者推出的。
2025-01-09 14:15:25
GLM-4V-Flash – 智谱 AI 推出的首个免费多模态模型API
GLM-4V-Flash 是智谱AI推出的首个免费多模态模型API，GLM-4V-Flash 模型拥有图像描述生成、图像分类、视觉推理、视觉问答（VQA）以及图像情感分析等高级图像处理功能，并且支持包括中文、英语、日语、韩语、德语在内的26种语言。
2025-01-09 13:48:01
clone-voice – 开源的声音克隆工具，支持16种语言
Clone-voice是开源的声音克隆工具，基于深度学习技术分析和模拟人类声音，实现声音的高质量克隆。工具支持包括中文、英文、日语、韩语等在内的16种语言，能将文本转换为语音或将一种声音风格转换为另一种。用户界面友好，操作简单，不需要高性能的硬件支持，适合个人和专业领域使用。
2025-01-09 13:19:00
SNOOPI – AI文本到图像生成框架，提升单步扩散模型的效率和性能
SNOOPI是创新的文本到图像生成框架，基于增强单步扩散模型的指导提升模型性能和控制力。SNOOPI包括PG-SB（适当指导 - SwiftBrush）和NASA（负向远离转向注意力）两种技术。PG-SB用随机尺度的无分类器引导方法，增强训练稳定性；NASA用交叉注意力机制整合负面提示，有效抑制生成图像中的不期望元素。
2025-01-09 12:55:36
人气排行
24小时排行
