排序
豆包3D生成模型-豆包推出3D生成模型，自然语言交互实时生成3D场景图
豆包3D生成模型是什么 豆包3D生成模型是豆包推出的3D生成模型，属于豆包大模型家族。模型基于3D-DiT 架构，能生成高质量 3D 模块。与火山引擎数字孪生平台 veOmniverse 结合使用，能高效完成智...
3个月前MV-Adapter-北航联合VAST等开源的多视图一致图像生成模型
MV-Adapter是什么 MV-Adapter是多视图一致图像生成模型，是北京航空航天大学、VAST和上海交通大学的研究团队推出的。MV-Adapter能将预训练的文本到图像扩散模型转化为多视图图像生成器，无需改...
3个月前FACTSGrounding-谷歌推出的评估大模型能力的基准测试
FACTS Grounding是什么 FACTS Grounding是谷歌DeepMind推出的评估大型语言模型（LLMs）能力的基准测试，衡量模型根据给定上下文生成事实准确且无捏造信息的文本的能力。FACTS Grounding测试集包...
3个月前MarkItDown-微软开源的多功能、多格式文档转Markdown工具
MarkItDown是什么 MarkItDown是微软开源的多功能文档转换工具，能将PDF、PPT、Word、Excel、图像、音频、HTML等多种格式的文件转换成Markdown格式。支持OCR文字识别、语音转文字和元数据提取，...
3个月前EMMA-X-新加坡科技设计大学推出的具身多模态动作模型
EMMA-X是什么 EMMA-X是新加坡科技设计大学推出的具有70亿参数的具身多模态动作模型，在有根据的链式思维（CoT）推理数据上微调OpenVLA创建。EMMA-X结合层次化的具身数据集，包含3D空间运动、2D...
3个月前WeaveFox-蚂蚁推出AI前端研发平台，根据设计图直接生成源代码
WeaveFox是什么 WeaveFox是蚂蚁团队推出的AI前端智能研发平台，基于蚂蚁自研的百灵多模态大模型，能直接根据设计图生成前端源代码。工具支持多种应用类型，包括控制台、移动端H5、小程序等，兼...
3个月前UniReal-港大联合Adobe推出的通用图像生成和编辑框架
UniReal是什么 UniReal是香港大学和Adobe研究院共同推出的框架，专注于实现多种图像生成和编辑任务。框架基于模拟现实世界动态，能在单一模型中处理包括图像生成、编辑、定制和合成在内的广泛任...
3个月前X-AnyLabeling-AI图像标注工具，支持图像和视频多样化标注样式
X-AnyLabeling是什么 X-AnyLabeling是集成多种深度学习算法的图像标注软件，专注于提升标注效率和精度。X-AnyLabeling支持图像和视频的多样化标注样式，适配多种AI训练场景，提供图像级与对象级...
3个月前Explorer-AI3D世界生成模型，文本图像秒变3D渲染场景
Explorer是什么 Explorer是Odyssey公司推出的生成性世界模型，能将任何图像转化为详细的3D世界。Explorer模型擅长生成真实感世界，支持动态效果的生成。Explorer基于高斯溅射技术来重建场景，提...
3个月前Gemini2.0FlashThinking-谷歌推出的实验性推理模型，展示详细思考过程
Gemini 2.0 Flash Thinking是什么 Gemini 2.0 Flash Thinking是谷歌推出的实验性AI模型，能快速思考和解决问题。Gemini 2.0 Flash Thinking展示详细的思考过程，与OpenAI的o1模型不同，Gemini 2...
3个月前Genesis-CMU联合20多所研究机构开源的生成式物理引擎
Genesis是什么 Genesis是卡内基梅隆大学、马里兰大学、斯坦福大学、麻省理工学院等研究机构联合推出的开源生成式物理引擎，能模拟世界万物。Genesis能用简单的语言描述，快速生成精确的物理模拟...
3个月前AniDoc-2D动画上色AI模型，基于视频扩散模型自动将草图序列转换成彩色动画
AniDoc是什么 AniDoc是香港科技大学、蚂蚁集团、南京大学、浙江大学和香港大学共同推出的简化2D动画上色AI模型，基于视频扩散模型自动将草图序列转换成彩色动画，遵循参考角色设计。模型用对应...
3个月前ElevenLabsFlash-ElevenLabs推出的低延迟语音合成模型
ElevenLabs Flash是什么 ElevenLabs Flash是ElevenLabs推出的低延迟语音合成模型，专为快速对话型AI设计。ElevenLabs Flash有两个版本：Flash v2仅支持英语，Flash v2.5支持32种语言。ElevenLab...
3个月前OpenAIo3-OpenAI推出的新一代最强推理模型
OpenAI o3是什么 OpenAI o3模型是继o1之后的新一代推理模型，包括o3和o3-mini两个版本。o3在某些条件下接近于通用人工智能（AGI），在ARC-AGI基准测试中得分高达87.5%，远超人类平均水平。它在...
3个月前StyleStudio-文本驱动的风格迁移模型，能将参考图像的风格与文本提示内容融合
StyleStudio是什么 StyleStudio是西湖大学AI实验室、复旦大学、南洋理工大学和香港科技大学（广州）联合推出的，文本驱动的风格迁移模型，能将参考图像的风格与文本提示的内容融合。StyleStudio...
3个月前RWKV-7-RWKV系列的最新大模型架构版本，有强大的上下文学习能力
RWKV-7是什么 RWKV-7是RWKV系列的最新大模型架构版本，超越了传统的attention和linear attention范式，具有更灵活的状态演化能力，能在相同算力消耗下解决attention无法解决的问题。RWKV-7的研...
3个月前PromptWizard-微软开源的AI提示词自动化优化框架
PromptWizard PromptWizard是微软推出的自动化提示优化框架，改进大型语言模型（LLMs）在特定任务中的表现。基于自我演变和自我适应机制，PromptWizard用反馈驱动的批评和合成过程，在探索和利...
3个月前INFP-音频驱动的生成逼真面部表情和头部姿态的AI框架
INFP是什么 INFP是音频驱动的头部生成框架，专为双人对话交互设计。能自动在对话音频引导下进行角色的转换，无需手动分配角色和角色切换。INFP包括两个阶段：基于动作头部模仿阶段和音频引导动...
3个月前VisionFM-通用眼科AI大模型，具备少样本多种疾病诊断能力
VisionFM是什么 VisionFM（伏羲慧眼）是多模态多任务的视觉基础模型，专为通用眼科人工智能而设计。通过预训练3.4百万张来自560,457个个体的眼科图像，覆盖广泛的眼科疾病、成像模态、设备和人...
3个月前MetaMorph-统一多模态理解与生成大模型，基于VPiT预测多模态token
MetaMorph是什么 MetaMorph是多模态大模型（MLLM），通过指令微调（Instruction Tuning）实现视觉理解和生成。它提出了一种名为Visual-Predictive Instruction Tuning（VPiT）的方法，使得预训...
3个月前