最新AI教程资讯
3DV-TON – 阿里达摩院联合浙大等推出的视频虚拟试穿框架
3DV-TON（Textured 3D-Guided Consistent Video Try-on via Diffusion Models）是阿里巴巴达摩院、湖畔实验室和浙江大学联合推出的基于扩散模型的视频虚拟试穿框架，能解决现有方法在处理复杂服装图案和多样化人体姿态时生成效果不佳的问题。
2025-05-16 11:10:46
ACE-Step – ACE Studio联合阶跃星辰开源的音乐生成基础模型
ACE-Step 是 ACE Studio 和 StepFun 联合推出的开源音乐生成基础模型，基于创新的架构设计实现高效、连贯且可控的音乐创作。ACE-Step结合扩散模型、深度压缩自编码器（DCAE）和轻量级线性变换器，能在短时间内生成高质量的音乐作品，速度比传统 LLM 模型快 15 倍。
2025-05-16 10:46:46
ReasonIR-8B – Meta AI 推出专为推理密集型检索任务设计的模型
ReasonIR-8B 是 Meta AI 推出的专为推理密集型检索任务设计的模型。基于 LLaMA3 1-8B 训练，采用双编码器架构，将查询和文档分别编码为嵌入向量，通过余弦相似度评分。
2025-05-16 10:22:46
Voila – 开源端到端语音大模型，实现低延迟语音对话
Voila 是开源的端到端语音大模型，专为语音交互而设计。具备高保真、低延迟的实时流式音频处理能力，能直接处理语音输入并生成语音输出，为用户提供流畅且自然的交互体验。
2025-05-16 09:58:46
kimi-thinking-preview – 月之暗面推出的多模态思考模型
kimi-thinking-preview 是月之暗面推出的多模态思考模型，具备深度推理能力，擅长解决复杂问题，如代码、数学和工作难题。模型基于 reasoning_content 字段展示推理过程，帮助用户理解回答背后的逻辑。
2025-05-16 09:34:46
UniTok – 字节联合港大、华中科技推出的统一视觉分词器
UniTok 是字节跳动联合香港大学和华中科技大学推出的统一视觉分词器，能同时支持视觉生成和理解任务。基于多码本量化技术，将视觉特征分割成多个小块，每块用独立的子码本进行量化，极大地扩展离散分词的表示能力，解决传统分词器在细节捕捉和语义理解之间的矛盾。
2025-05-16 09:10:46
FastAPI-MCP – 一键将 FastAPI 转换为 MCP 服务器的开源工具
FastAPI-MCP 是将 FastAPI 应用的端点自动转换为符合模型上下文协议（MCP）的开源工具。具有零配置的特点，只需简单指向 FastAPI 应用可自动发现并转换所有端点为 MCP 工具，无需额外设置。
2025-05-15 16:40:43
MineWorld – 微软研究院开源的实时交互式世界模型
MineWorld是微软研究院开源的基于《我的世界》（Minecraft）的实时交互式世界模型，基于视觉-动作自回归Transformer架构，将游戏场景和动作转化为离散的token ID，通过下一个token预测进行训练。模型开发了并行解码算法，可实现每秒4至7帧的生成速度，支持实时互动。
2025-05-15 16:16:43
HumanRig – 阿里高德推出的3D人形角色自动绑定任务数据集
HumanRig 是阿里巴巴团队开发的 3D 人形角色自动绑定研究项目。解决现有绑定技术因缺乏高质量数据集而发展受限的问题，通过提供大规模、高质量的数据集和创新的自动绑定框架，推动 3D 角色动画制作的自动化发展。
2025-05-15 15:52:43
GigaTok – 港大联合字节推出用于自回归图像生成的视觉分词器
GigaTok 是用于自回归图像生成的视觉分词器，参数量达 30 亿。通过语义正则化技术，将分词器特征与预训练视觉编码器（如 DINOv2）的语义特征对齐，有效约束潜在空间复杂度，解决了视觉分词器在扩展时重建质量与生成质量之间的矛盾。
2025-05-15 15:28:43
SkyReels-V2 – 昆仑万维开源的无限时长电影生成模型
SkyReels-V2是昆仑万维SkyReels团队推出的无限时长电影生成模型，基于扩散强迫（Diffusion-forcing）框架，结合多模态大语言模型（MLLM）、多阶段预训练、强化学习等技术，生成高质量、无限时长的视频内容。
2025-05-15 15:04:43
OpenUtau – 开源的AI歌声合成工具，自动适配系统语言
OpenUtau 是开源的歌声合成工具，兼容 UTAU 音源库和重采样器，支持 VSQX 导入、多语言界面及预渲染功能，帮助创作者快速预览作品节省时间。OpenUtau现代化的界面和丰富的编辑功能，如音素器、颤音编辑器等，让音乐创作更加直观高效。
2025-05-15 14:40:43
Gemma 3 QAT – 谷歌推出的最新开源模型，Gemma 3 量化版
Gemma 3 QAT（Quantization-Aware Training）是谷歌推出的最新一代开源模型，是Gemma 3 的量化优化版本。通过量化感知训练技术，Gemma 3 QAT 在显著降低内存需求的同时，保持了高质量的性能。
2025-05-15 14:16:43
ImagePulse – 魔搭社区开源的图像理解和生成模型数据集
ImagePulse （图律脉动）是魔搭社区推出的开源项目，为下一代图像理解和生成模型提供数据集支持，通过原子化模型的能力并构建原子能力数据集。项目包含多个原子能力数据集，例如“修改、添加、移除”“放大、缩小”“风格迁移”和“人脸保持”等。
2025-05-15 13:52:43
SimpleAR – 复旦大学联合字节 Seed 团队推出的图像生成模型
SimpleAR 是复旦大学视觉与学习实验室和字节 Seed 团队联合推出的纯自回归图像生成模型。采用简洁的自回归架构，通过优化训练和推理过程，实现了高质量的图像生成。SimpleAR 仅用 5 亿参数即可生成 1024×1024 分辨率的图像，在 GenEval 等基准测试中取得了优异成绩。
2025-05-15 13:28:43
Aether – 上海 AI Lab 开源的生成式世界模型
Aether 是上海AI Lab开源的生成式世界模型，完全基于合成数据训练。Aether 首次将三维时空建模与生成式建模深度融合，具备 4D 动态重建、动作条件视频预测和目标导向视觉规划三大核心能力。
2025-05-15 13:04:43
Infinite Mobility – 上海 AI Lab 推出的可交互物体生成模型
Infinite Mobility 是上海AI Lab推出的可交互物体生成模型，基于程序化生成技术，高效生成高质量的可交互物体数据资产。Infinite Mobility支持22类常见可交互物体的生成，单个物体生成仅需约1秒，且生成数量无上限。
2025-05-15 12:40:43
ChatTS-14B – 字节开源的时间序列理解和推理大模型
ChatTS-14B 是字节跳动研究团队开源的专注于时间序列理解和推理的大型语言模型，参数量达 140 亿。基于 Qwen2 5-14B-Instruct 微调而成，通过合成数据对齐技术显著提升了在时间序列任务中的表现。
2025-05-15 12:16:43
MAGI-1 – Sand AI 开源的首个自回归视频生成模型
MAGI-1 是 Sand AI 开源的全球首个自回归视频生成大模型，采用自回归架构，通过逐块预测视频序列生成流畅自然的视频，支持无限扩展和一镜到底的长视频生成。
2025-05-15 11:52:43
WriteHERE – 开源的AI长文写作框架，单次生成超长文本
WriteHERE是Jürgen Schmidhuber领衔的团队开源的AI长文写作框架。WriteHERE基于异质递归规划（Heterogeneous Recursive Planning）技术，动态分解写作任务为检索、推理和写作三种异构任务，基于有向无环图（DAG）管理任务依赖关系，实现自适应执行。
2025-05-15 11:28:43
人气排行
24小时排行
