最新AI教程资讯
Mistral Small 3.1 – Mistral AI 开源的多模态 AI 模型
Mistral Small 3 1 是 Mistral AI 开源的多模态人工智能模型，有 240 亿参数，基于 Apache 2 0 许可证发布。在文本和多模态任务上表现出色，支持长达 128k tokens 的上下文窗口，推理速度可达每秒 150 个 token，低延迟且高效。
2025-04-28 13:45:51
Hunyuan3D 2.0 – 腾讯推出的大规模 3D 资产生成系统
Hunyuan3D 2 0 是腾讯推出的大规模 3D 资产生成系统，专注于从文本和图像生成高分辨率的 3D 模型。系统采用两阶段生成流程：首先生成无纹理的几何模型，再合成高分辨率纹理贴图。
2025-04-28 13:25:51
Claude 3.7 Max – Cursor 上线的最新 AI 模型，支持200k上下文
Claude 3 7 Max 是 Cursor 推出的专为复杂代码任务设计的最新 AI 模型，称为史上最强代码助手。基于 Claude 3 7 思考模型，具备 200k 超大上下文窗口，支持处理复杂代码任务，一次性执行最多 200 次工具调用，大幅提升代码理解和编辑效率。
2025-04-28 13:05:51
Skywork R1V – 昆仑万维开源的多模态思维链推理模型
Skywork R1V是昆仑万维开源的首款工业界多模态思维链推理模型，具备强大的视觉链式推理能力。Skywork R1V能对视觉输入进行多步逻辑推理，解决复杂的视觉任务，例如视觉逻辑推理、视觉数学问题、科学现象分析及医学影像诊断等。
2025-04-28 12:45:51
Chirp 3 – 谷歌云推出的高清语音合成模型
Chirp 3 是谷歌云推出的高清语音合成模型，专为生成自然、生动的语音而设计。支持 248 种声音和 31 种语言，能捕捉人类语调的细微差别，语音输出更加贴近真实人类发音。
2025-04-28 12:25:51
LangManus – AI自动化框架，多智能体协同完成复杂任务
LangManus 是 AI 自动化框架，基于分层多智能体系统设计。包含多种智能体，如协调员、规划员、研究员、程序员等，各司其职，协同完成复杂任务。框架支持多种开源语言模型，如通义千问，兼容 OpenAI API 接口，能根据任务复杂度灵活调用不同层级的模型。
2025-04-28 12:05:51
Cube 3D – Roblox 推出的 AI 3D 生成模型
Cube 3D 是 Roblox 推出的AI 3D生成大模型，基于 AI 技术高效生成 3D 模型和环境。Cube 3D支持直接从文本描述生成完整的 3D 对象，与游戏引擎兼容。Cube 3D能提高 3D 创作效率，减少手动建模时间，帮助开发者快速生成道具或设计空间。
2025-04-28 11:45:51
SmolDocling – 轻量级的多模态文档处理模型
SmolDocling（SmolDocling-256M-preview ）是高效轻量级的多模态文档处理模型。能将文档图像端到端地转换为结构化文本，支持文本、公式、图表等多种元素识别，适用于学术论文、技术报告等多类型文档。
2025-04-28 11:25:51
GR00T N1 – 英伟达开源的人形机器人基础模型
GR00T N1 是英伟达推出的全球首个开源基础模型，专为通用人形机器人设计。基于多模态输入（如语言和图像）实现多样化环境中的操作任务。GR00T N1 基于大规模人形机器人数据集训练，结合真实数据、合成数据和互联网视频数据，用后训练适应特定机器人形态、任务和环境。GR00T N1 基于双系统架构，视觉-语言模型负责推理和规划，扩散变换器则生成精确动作。
2025-04-28 11:05:51
UniFluid – 谷歌联合麻省理工推出的多模态图像生成与理解框架
UniFluid 是谷歌 DeepMind 和麻省理工学院联合推出的，统一的自回归框架，用在联合视觉生成和理解任务。基于连续视觉标记处理多模态图像和文本输入，生成离散文本标记和连续图像标记。框架基于预训练的 Gemma 模型，用配对的图像-文本数据训练，让生成和理解任务相互促进。UniFluid 基于标准的 SentencePiece 作为文本标记器，用连续变分自编码器（VAE）作为图像生成的标记器，结合 SigLIP 图像编码器用在理解任务。
2025-04-28 10:45:51
Multi-Speaker – AudioShake 推出的多说话人声分离模型
Multi-Speaker是AudioShake推出的全球首个高分辨率多说话人分离模型。支持将音频中的多个说话人精准分离到不同轨道，解决传统音频工具在处理重叠语音时的难题。Multi-Speaker适用于多种场景，先进神经架构支持高采样率，适合广播级音频，支持处理长达数小时的录音，在高重叠和低重叠场景，保持一致的分离效果，为音频编辑和创作带来革命性变革。
2025-04-28 10:25:51
UniAct – 清华、商汤、北大、上海AI Lab共同推出的具身基础模型框架
UniAct 是新型的具身基础模型框架，解决不同机器人之间行为异构性的问题。通过学习通用行为，捕捉不同机器人共享的原子行为特征，消除因物理形态和控制接口差异导致的行为异构性。
2025-04-28 10:05:51
ReCamMaster – 浙大联合快手等推出的视频重渲染框架
ReCamMaster 是浙江大学、快手科技等联合推出的视频重渲染框架，能根据新的相机轨迹重新生成视频内容。通过预训练模型和帧维度条件机制，结合多相机同步数据集和相机姿态条件，实现视频视角、运动轨迹的灵活调整。
2025-04-28 09:45:51
OLMo 2 32B – Ai2 推出的最新开源语言模型
OLMo 2 32B 是 Allen Institute for AI（Ai2）推出的最新开源语言模型，是 OLMo 2 系列的重要成果。拥有 320 亿参数，是首个在多技能学术基准测试中超越 GPT-3 5-Turbo 和 GPT-4o-mini 的完全开放模型，性能接近 Qwen-2 5-72B 等更大规模模型。
2025-04-28 09:25:51
SpatialLM – 群核科技开源的空间理解多模态模型
SpatialLM 是群核科技开源的空间理解多模态模型，赋予机器人和智能系统类似人类的空间认知能力。通过分析普通手机拍摄的视频，能重建出详细的 3D 场景布局，标注出房间结构、家具摆放、通道宽度等信息。
2025-04-28 09:05:51
Stable Virtual Camera – Stability AI 等机构推出的 AI 模型，2D图像转3D视频
Stable Virtual Camera 是 Stability AI 推出的 AI 模型，能将 2D 图像转换为具有真实深度和透视感的 3D 视频。用户可以通过指定相机轨迹和多种动态路径（如螺旋、推拉变焦、平移等）来生成视频。模型支持从 1 到 32 张输入图像生成不同宽高比（如 1:1、9:16、16:9）的视频，最长可达 1000 帧。
2025-04-27 21:28:14
Instella – AMD开源的30亿参数系列语言模型
Instella是AMD推出的系列30亿参数的开源语言模型。模型完全从零开始在AMD Instinct™ MI300X GPU上训练而成，基于自回归Transformer架构，包含36个解码器层和32个注意力头，支持最长4096个标记的序列。
2025-04-27 21:08:13
Maestro – 开源的端到端自动化测试框架
Maestro是用在移动和Web应用的端到端自动化测试框架。基于内置的容错能力和延迟容忍机制，解决传统测试中常见的不稳定性和等待问题。Maestro基于声明式语法，支持在yaml文件中定义测试，无需编译快速迭代。
2025-04-27 20:48:13
InternVL – OpenGVLab 推出的多模态大模型
InternVL 是上海人工智能实验室 OpenGVLab 推出的多模态大模型，专注于视觉与语言任务。采用 ViT-MLP-LLM 架构，通过视觉模块（如 InternViT）和语言模块（如 InternLM）的融合，实现视觉与语言的深度结合。
2025-04-27 20:08:13
Umi-OCR – 免费 OCR 文字识别工具，支持截图、批量图片排版解析
Umi-OCR 是免费开源的离线 OCR 文字识别软件。无需联网，解压即用，支持截图、批量图片、PDF 扫描件的文字识别，能识别数学公式、二维码，可生成双层可搜索 PDF。内置多语言识别库，界面支持多语言切换，提供命令行和 HTTP 接口调用功能。
2025-04-27 19:48:13
人气排行
24小时排行
