# 图像识别 #
0
关注
1248内容
让AI学会"看屏幕操作"！豆包1.5·UI-TARS：字节跳动推出 GUI Agent 黑科技，办公效率暴增300%
字节跳动推出的豆包1.5·UI-TARS是首个整合视觉理解、逻辑推理与界面操作的GUI Agent模型，无需预定义规则即可完成复杂图形界面交互任务，已在火山方舟平台提供服务。
数学编程视觉全能王！OpenAI 推出 o4-mini：视觉推理能力碾压前代，屠榜AIME
OpenAI最新推出的o4-mini小型推理模型在数学、编程和视觉任务中表现卓越，支持多模态推理和工具调用，性能超越前代的同时保持高性价比。
多模态交互3D建模革命！Neural4D 2o：文本+图像一键生成高精度3D内容
Neural4D 2o是DreamTech推出的突破性3D大模型，通过文本、图像、3D和运动数据的联合训练，实现高精度3D生成与智能编辑，为创作者提供全新的多模态交互体验。
AI对话像真人！交交：上海交大推出全球首个口语对话情感大模型，支持多语言与实时音色克隆
上海交通大学推出的交交是全球首个纯学术界自研的口语对话情感大模型，具备多语言交流、方言理解、角色扮演和情感互动等能力，通过创新技术实现端到端语音对话和实时音色克隆。
这个开源AI平台把文生图/音/字全包了！Pollinations.AI：提供完全免费的AI内容生成
Pollinations.AI 是一个开源的AI内容生成平台，提供免费的文本、图像、音频生成及转换API，无需注册即可使用，支持多种模型和自定义参数，适合开发者和创作者快速集成。
导演失业预警！Seaweed-7B：字节7B参数模型让剧本自动变电影！20秒长镜头丝滑生成
Seaweed-7B是字节跳动推出的70亿参数视频生成模型，支持从文本、图像或音频生成高质量视频内容，具备长镜头生成、实时渲染等先进特性，通过优化架构显著降低计算成本。
模型手动绑骨3天，AI花3分钟搞定！UniRig：清华开源通用骨骼自动绑定框架，助力3D动画制作
UniRig是清华大学与VAST联合研发的自动骨骼绑定框架，基于自回归模型与交叉注意力机制，支持多样化3D模型的骨骼生成与蒙皮权重预测，其创新的骨骼树标记化技术显著提升动画制作效率。
告别潜在空间的黑箱操作，直接在原始像素空间建模！PixelFlow：港大团队开源像素级文生图模型
香港大学与Adobe联合研发的PixelFlow模型，通过流匹配和多尺度生成技术实现像素级图像生成，在256×256分辨率任务中取得1.98的FID分数，支持端到端训练并突破传统模型对预训练VAE的依赖。
别让创意卡在工具链！MiniMax MCP Server：MiniMax 开源 MCP 服务打通多模态生成能力，视频语音图像一键全搞定
MiniMax MCP Server 是基于模型上下文协议的多模态生成中间件，支持通过文本指令调用视频生成、图像创作、语音合成及声音克隆等能力，兼容主流客户端实现跨平台调用，采用检索增强生成技术保障内容准确性。
开源学习神器把2小时网课压成5分钟脑图！BiliNote：一键转录哔哩哔哩视频，生成结构化学习文档
本文介绍基于FastAPI与React构建的开源视频笔记工具BiliNote，其整合多模态AI技术实现视频内容结构化解析，支持跨平台视频源处理与本地化部署方案，提供从语音转写到智能摘要的全流程自动化能力。
免费试用