最新AI教程资讯
VideoRefer – 浙大联合阿里达摩学院推出的视频对象感知与推理技术
VideoRefer是浙江大学和阿里达摩学院联合推出的，专门用在视频中对象的感知和推理。基于增强视频大型语言模型（Video LLMs）的空间-时间理解能力，让模型能在视频中对任何对象进行细粒度的感知和推理。
2025-04-11 13:03:22
JoyCaption – 开源的图像提示词生成工具
JoyCaption 是开源的图像提示词生成工具，用于训练扩散模型。JoyCaption 涵盖广泛的图像风格、内容、种族、性别和取向，最小化过滤理解世界的各个方面，但不支持非法内容。JoyCaption 的开发是为填补社区在图像描述生成方面的空白，提供与 GPT4o 相当的性能，且保持免费和开放。
2025-04-11 12:35:41
麦橘超然 – 麦橘推出的AI文生图模型，基于 Flux.1 架构
麦橘超然（MajicFlus）是麦橘推出的基于Flux 1架构的AI模型，专注于生成高质量的人像图像，擅长表现亚洲女性的细腻与美感。模型融合多种技术，能生成逼真的人物摄影风格，细致呈现头发、眼睛、雀斑等微小特征。
2025-04-11 12:12:59
CHRONOS – 阿里通义联合上海交大等推出时间线摘要生成新框架
CHRONOS是上海交通大学计算机科学与工程系、阿里巴巴集团通义实验室等机构联合推出的，用在新闻时间线摘要生成的新型框架，基于迭代自问自答的方式，用大型语言模型（LLMs）构建开放域和封闭域的时间线。框架基于生成与新闻主题相关的5W1H问题，检索相关信息，不断提出新的子问题扩展新闻数据库。
2025-04-11 11:43:14
Edicho – 蚂蚁集团联合港科大等高校推出的多图像一致性编辑方法
Edicho 是香港科技大学、蚂蚁集团、斯坦福大学和香港中文大学推出的，基于扩散模型的图像编辑方法，能在多图像间实现一致性编辑。Edicho用免训练的方法，无需额外训练即可应用。Edicho核心在于用显式图像对应关系指导编辑过程，基于注意力操作模块（Corr-Attention）和分类器自由引导（CFG）去噪策略，确保编辑在不同图像中保持一致性。
2025-04-11 11:15:55
Mobile-Agent – 自主多模态移动设备代理，通过视觉感知实现智能化手机操作
Mobile-Agent 是具有移动性的智能代理软件实体，能在网络的各个节点之间移动，代表用户或其他代理进行工作。能根据具体情况中断当前执行，移动至另一设备上恢复运行，及时返回结果。这种移动的目的是使程序的执行尽可能靠近数据源，降低网络通信开销，节省带宽，平衡负载，加快任务的执行，提高分布式系统的处理效率。
2025-04-11 10:49:41
VideoRAG – 用于长视频理解的检索增强生成技术
VideoRAG是用于长视频理解的检索增强生成（Retrieval-Augmented Generation）技术。通过提取视频中的视觉对齐辅助文本，帮助大型视频语言模型（LVLMs）更好地理解和处理长视频内容。
2025-04-11 10:27:33
SPRIGHT – 专注于空间关系的大型视觉语言数据集
SPRIGHT（SPatially RIGHT）是亚利桑那州立大学 、Intel 实验室 、Hugging Face 、华盛顿大学等机构联合推出的，专注于空间关系的大型视觉-语言数据集，能解决现有文本到图像（T2I）模型在生成图像时空间一致性不足的问题。
2025-04-11 09:58:58
LIGER – Meta AI 等机构推出的混合检索模型
LIGER是Meta AI等机构推出的混合检索模型，结合生成式检索和密集检索的优点。LIGER用生成式检索模块生成有限的候选项目集，基于密集检索对候选项目进行排序和优化，保留生成式检索在存储和推理效率上的优势，提高了推荐性能，特别是在处理冷启动项目时表现出色。
2025-04-11 09:34:39
SeedVR – 南洋理工和字节跳动推出的扩散变换器模型，实现通用视频修复
SeedVR是南洋理工大学和字节跳动推出的扩散变换器模型，能实现高质量的通用视频修复。SeedVR基于引入移位窗口注意力机制，采用大尺寸（64×64）窗口和边界处的可变大小窗口，有效处理任意长度和分辨率的视频，克服传统方法在不同分辨率下的性能限制。
2025-04-11 09:11:34
AutoDroid-V2 – 清华推出的移动端GUI自动化脚本代理
AutoDroid-V2是清华大学人工智能产业研究院推出的基于小型语言模型（SLM）的移动端GUI自动化脚本代理，能基于代码生成技术提升设备上的GUI代理性能。AutoDroid-V2分析应用的探索历史，自动生成精细的应用文档，指导SLM生成多步脚本完成复杂的用户任务。
2025-04-10 17:16:13
EnerVerse – 智元机器人推出的首个机器人4D世界模型
EnerVerse 是智元机器人团队开发的首个机器人4D世界模型，通过生成未来具身空间来指导机器人完成复杂任务。模型采用自回归扩散模型，结合稀疏记忆机制（Sparse Memory）和自由锚定视角（Free Anchor View, FAV），显著提升4D生成能力和动作规划性能。
2025-04-10 16:49:51
Seer – 上海 AI Lab 联合北大等机构推出的端到端操作模型
Seer是由上海AI实验室、北京大学计算机科学与技术学院、北京大学软件与微电子学院等机构联合推出的端到端操作模型，实现机器人视觉预测与动作执行的高度协同。模型结合历史信息和目标信号（如语言指令），预测未来时刻的状态，用逆动力学模型生成动作信号。Seer基于Transformer的结构，处理多模态输入数据，有效融合视觉、语言和机器人本体信号。
2025-04-10 16:24:39
ArtCrafter – 清华联合鹏城实验室和联想共同推出的文本到图像风格迁移框架
ArtCrafter是清华大学、鹏城实验室和联想研究院共同推出的文本到图像风格迁移框架，基于扩散模型，解决传统方法在风格表达、内容一致性和输出多样性方面的局限。ArtCrafter基于嵌入重构架构实现，包含三个关键组件：基于注意力的风格提取模块，用多层架构和感知器注意力机制从参考图像中提取细腻的风格特征。
2025-04-10 16:04:19
Ingredients – 多ID照片定制视频生成框架，基于多ID照片与视频扩散相结合
Ingredients是强大的框架，基于将多个特定身份（ID）照片与视频扩散Transformer相结合，用在定制视频创作。Ingredients基于三个核心模块实现高度定制化的视频生成：面部提取器、多尺度投影器和ID路由器。面部提取器从全局和局部视角捕捉每个身份的面部特征；多尺度投影器将这些特征映射到视频扩散模型的上下文中；ID路由器则动态分配和组合多个身份特征到相应的时间空间区域。
2025-04-10 15:35:53
MultiBooth – 清华联合 Meta 等机构推出的多概念图像生成方法
MultiBooth是清华大学深圳国际研究生院、 Meta、香港科技大学等机构推出的多概念图像生成方法，能从文本中生成包含多个用户指定概念的图像。MultiBooth将生成过程分为两个阶段：单概念学习和多概念整合。在单概念学习阶段，基于多模态图像编码器和自适应概念归一化技术，为每个概念学习一个简洁且具有区分性的嵌入表示。
2025-04-10 15:15:34
Aria-UI – 港大联合 Rhymes AI 开源面向 GUI 智能交互的多模态模型
Aria-UI是香港大学和Rhymes AI共同推出的为图形用户界面（GUI）定位任务设计的大型多模态模型。基于纯视觉方法，不依赖于HTML或AXTree等辅助输入，用大规模、多样化的数据合成流程，从Common Crawl和公开数据中生成高质量的元素描述和指令样本，适应不同环境下的多样化指令。
2025-04-10 14:54:43
TransPixar – 港中文联合 Adobe 等机构开源的生成透明背景视频技术
TransPixar是香港中文大学、Adobe研究院 、香港科技大学和智能摩尔联合开源的，先进的文本到视频生成方法，扩展预训练的RGB视频模型生成包含透明度信息的RGBA视频。TransPixar基于扩散变换器（DiT）架构，基于引入alpha特定的token和基于LoRA的微调，实现RGB和alpha通道的联合生成，保持高度一致性。
2025-04-10 14:29:31
STAR – 南大、字节、西南大学联合开源的现实世界视频超分辨率框架
STAR是南京大学、字节跳动、西南大学联合推出的，创新的现实世界视频超分辨率（VSR）框架，能从低分辨率（LR）视频生成高分辨率（HR）视频，同时保持细节清晰度和时间一致性。STAR整合强大的文本到视频（T2V）扩散模型增强视频的空间细节和时间建模能力。STAR引入局部信息增强模块（LIEM），在全局注意力块之前丰富局部细节，减轻复杂退化引入的伪影问题。
2025-04-10 14:02:13
星火人设 – 科大讯飞推出的专为情感交互设计的独立模型
星火人设是科大讯飞推出的专为情感交互而设计的独立模型（角色模拟API），具备人物设定、剧情演绎与语言风格等控制选项，支持模型精调。在规模C端用户的双盲体验测试中，星火人设的效果已处于行业领先。
2025-04-10 13:36:31
人气排行
24小时排行
