排序
AgentScope-阿里开源的多智能体开发平台
AgentScope是什么 AgentScope是阿里巴巴集团开源的多智能体开发平台，帮助开发者轻松构建和部署多智能体应用。AgentScope提供高易用性、高鲁棒性和分布式支持，内置多种模型API和本地模型部署选...
3个月前LeviTor-南大联合蚂蚁等机构开源的3D目标轨迹控制视频合成技术
LeviTor是什么 LeviTor是南京大学、蚂蚁集团、浙江大学等机构推出的图像到视频合成技术，结合深度信息和K-means聚类点控制视频中3D物体的轨迹，无需显式的3D轨迹跟踪。LeviTor用高质量的视频对...
3个月前3D-Speaker-阿里通义推出的多模态说话人识别任务开源项目
3D-Speaker是什么 3D-Speaker是阿里巴巴通义实验室语音团队推出的多模态开源项目，基于结合声学、语义、视觉信息，实现高精度的说话人识别和语种识别。3D-Speaker提供工业级模型、训练和推理代...
3个月前ERA-42-星动纪元推出的端到端原生机器人大模型
ERA-42是什么 ERA-42是北京星动纪元推出的端到端原生机器人大模型，与自研的五指灵巧手星动XHAND1结合，能完成100多种复杂灵巧操作任务。ERA-42无需预编程，具备快速学习新技能的能力，能在2小...
3个月前Baichuan4-Finance-百川智能推出的全链路金融领域增强大模型
Baichuan4-Finance是什么 Baichuan4-Finance是百川智能推出的全链路金融领域增强大模型，包括Baichuan4-Finance-Base和Baichuan4-Finance。基于Baichuan4-Turbo，用领域自约束训练，在保持通用...
3个月前VSI-Bench-李飞飞谢赛宁团队推出的视觉空间智能基准测试集
VSI-Bench是什么 VSI-Bench（Visual-Spatial Intelligence Benchmark）是李飞飞、谢赛宁及他们的研究团队推出的视觉空间智能基准测试集，研究者构建用在评估多模态大型语言模型（MLLMs）在空间...
3个月前Bamba-9B-基于Mamba2架构的仅解码语言模型
Bamba-9B是什么 Bamba-9B是IBM、普林斯顿大学、卡内基梅隆大学和伊利诺伊大学香槟分校联合推出的，基于Mamba2架构的仅解码语言模型模型。模型在完全开放的数据集上训练，能提高大型语言模型的推...
3个月前Univer-开源AI办公工具，支持Word、Excel等文档处理全栈解决方案
Univer是什么 Univer是开源的全栈框架，支持创建和编辑电子表格、文档及幻灯片，为用户提供统一且强大的办公解决方案。Univer能在浏览器和Node.js环境中运行，易于集成到各种应用中。Univer跨平...
3个月前Kheish-开源的多智能体协调平台，可灵活配置多个Agent解决复杂任务
Kheish是什么 Kheish是基于大型语言模型（LLM）的多智能体编排开源平台，用多个专门的角色（智能体）和灵活的工作流协调复杂任务的各个步骤，如提案生成、审核、验证和格式化，产生高质量结果。...
3个月前HelloMeme-面部表情与姿态迁移框架，基于StableDiffusion1.5模型理解能力
HelloMeme是什么 HelloMeme是基于最新的Diffusion生成技术的框架，实现表情与姿态的迁移，HelloMeme集成空间编织注意力（Spatial Knitting Attentions）机制，基于Stable Diffusion 1.5模型的理...
3个月前InvSR-开源图像超分辨率模型，高清修复老旧照片
InvSR是什么 InvSR是创新的图像超分辨率模型，基于扩散模型的逆过程恢复高分辨率图像。用大型预训练扩散模型中丰富的图像先验，改善超分辨率的效果。InvSR的核心在于深度噪声预测器，预测器能估...
3个月前CLEAR-新加坡国立大学推出的线性注意力机制，生成8K图像时提速6.3倍
CLEAR是什么 CLEAR是新加坡国立大学推出新型线性注意力机制，能提升预训练扩散变换器（DiTs）生成高分辨率图像的效率。基于将每个查询的注意力限制在局部窗口内，CLEAR实现了对图像分辨率的线性...
3个月前DisPose-北大等多所高校推出的增强人物图像控制动画质量的技术
DisPose是什么 DisPose是北京大学、中国科学技术大学、清华大学和香港科技大学的研究团队共同推出的，提高人物图像动画质量的控制技术，基于从骨骼姿态和参考图像中提取有效的控制信号，无需额...
3个月前OCTAVE-HumeAI推出的语音语言模型
OCTAVE 是什么 OCTAVE（Omni-Capable Text and Voice Engine）是Hume AI推出的新一代语音语言模型，结合EVI 2模型和OpenAI、Elevenlab、Google Deepmind等系统的能力。OCTAVE能从简短提示或录音...
3个月前Granite3.1-IBM推出的新版语言模型
Granite 3.1是什么 Granite 3.1是IBM推出的新一代语言模型，具有强大的性能和更长的上下文处理能力。Granite 3.1模型家族有 4 种不同的尺寸和 2 种架构：密集模型2B和8B参数模型，总共使用 12 ...
3个月前Sketch2Sound-Adobe联合西北大学推出的AI音频生成技术
Sketch2Sound是什么 Sketch2Sound是Adobe 研究院和西北大学推出的AI音频生成技术，能基于声音模仿和文本提示生成高品质音效。Sketch2Sound从声音模仿中提取响度、亮度和音高三个控制信号，将控...
3个月前OmniAudio-2.6B-NexaAI推出的端侧多模态音频语言模型
OmniAudio-2.6B是什么 OmniAudio-2.6B是Nexa AI推出的音频语言模型，专为边缘部署设计，能实现快速且高效的音频文本处理。OmniAudio-2.6B是具有2.6亿参数的多模态模型融合Gemma-2-2b、Whisper T...
3个月前DreamOmni-港中文、字节等机构共同推出的统一图像生成和编辑模型
DreamOmni是什么 DreamOmni 是香港中文大学、字节跳动和香港科技大学共同推出的统一图像生成和编辑模型。模型整合文本到图像（T2I）生成和多种编辑任务，包括指令式编辑、修复、拖拽编辑和参考...
3个月前QVQ-阿里通义开源的视觉推理模型
QVQ是什么 QVQ是阿里基于Qwen2-VL-72B构建的开源多模态推理模型，结合视觉理解和复杂问题解决能力，提升人工智能的认知能力。QVQ在视觉推理任务中展现出增强的能力，尤其在需要复杂分析思维的领...
3个月前OpenNotebook-开源AI笔记工具，自动将多格式笔记转换成博客
Open Notebook是什么 Open Notebook是开源、注重隐私的谷歌NotebookLM替代工具，能帮助用户管理研究工作流程，生成AI辅助笔记，并与内容互动。Open Notebook支持多笔记本、多模型，包括Open AI...
3个月前