蚝油菜花_个人页

2025年01月

• 01.23 14:52:48
  发表了文章 2025-01-23 14:52:48

  VideoChat-Flash：上海AI Lab开源高效处理超长视频的多模态大模型

  VideoChat-Flash 是上海人工智能实验室等机构推出的多模态大模型，通过分层压缩技术高效处理长视频，支持长达数小时的视频输入，推理速度提升5-10倍。

  
• 01.23 14:52:30
  发表了文章 2025-01-23 14:52:30

  子曰-o1：网易有道开源国内首个分步式讲解推理模型，支持K12数学教学

  子曰-o1是网易有道推出的国内首个分步式讲解推理模型，采用14B轻量级架构，专为消费级显卡设计，支持K12数学教学，提供精准的解题思路和答案。

  
• 01.23 14:52:12
  发表了文章 2025-01-23 14:52:12

  WebWalker：阿里巴巴推出评估LLMs在网页浏览任务中性能的基准工具

  WebWalker是阿里巴巴开发的用于评估大型语言模型在网页浏览任务中性能的工具，支持多智能体框架和垂直探索策略，提供WebWalkerQA数据集进行性能测试。

  
• 01.23 14:51:29
  发表了文章 2025-01-23 14:51:29

  Doubao-1.5-pro：字节跳动最新豆包大模型，性能超越GPT-4o和Claude 3.5 Sonnet

  豆包大模型1.5是字节跳动推出的最新大模型，采用大规模稀疏MoE架构，支持多模态输入输出，具备低时延语音对话能力，综合性能优于GPT-4o和Claude 3.5 Sonnet。

  
• 01.22 00:20:59
  发表了文章 2025-01-22 00:20:59

  OmniThink：浙大联合阿里通义开源 AI 写作框架，基于深度思考扩展知识边界，实时展示思考过程

  OmniThink 是浙江大学与阿里通义实验室联合开发的机器写作框架，通过模拟人类迭代扩展和反思过程，生成高质量长篇文章，显著提升知识密度和内容深度。

  
• 01.22 00:20:39
  发表了文章 2025-01-22 00:20:39

  DeepSeek 开源 R1 系列推理模型，性能对标 OpenAI o1，基于纯强化学习完成自我进化，无需监督微调

  DeepSeek R1-Zero 是一款基于纯强化学习的开源推理模型，无需监督微调数据，支持多任务泛化与自我进化，适用于数学推理、代码生成等场景。

  
• 01.22 00:20:15
  发表了文章 2025-01-22 00:20:15

  VideoWorld：字节开源自回归视频生成模型，支持输入视频指导AI生成视频！弥补文本生成视频的短板

  VideoWorld 是由字节跳动、北京交通大学和中国科学技术大学联合推出的自回归视频生成模型，能够从未标注的视频数据中学习复杂知识，支持长期推理和规划任务。

  
• 01.22 00:19:53
  发表了文章 2025-01-22 00:19:53

  Roop-Unleashed：开源 AI 换脸神器！支持批量、VR、直播实时换脸

  Roop-Unleashed 是一款基于 Roop 的开源 AI 换脸工具，支持批量处理、VR 换脸和直播换脸，提供简单易用的图形界面，适用于多种场景。

  
• 01.22 00:19:22
  发表了文章 2025-01-22 00:19:22

  k1.5：性能超越 GPT-4 和 Claude 3.5！Kimi 新一代多模态推理模型

  Kimi k1.5 是月之暗面推出的多模态思考模型，具备强大的推理和多模态处理能力，支持长链思维与短链思维，性能超越GPT-4和Claude 3.5。

  
• 01.22 00:19:01
  发表了文章 2025-01-22 00:19:01

  X-Dyna：一张图片就能实现动画化！字节联合斯坦福推出动画生成框架

  X-Dyna 是由字节跳动联合斯坦福等高校推出的动画生成框架，基于扩散模型实现单张图像动画化，支持面部表情和身体动作控制，生成高质量动态细节。

  
• 01.21 17:19:42
  发表了文章 2025-01-21 17:19:42

  Sky-T1：开源版"OpenAI o1-preview"，训练成本竟不到450美元

  Sky-T1是NovaSky发布的开源推理AI模型，支持低成本训练，性能优异，适用于数学问题解决、编程评估和科学研究。

  
• 01.21 17:19:19
  发表了文章 2025-01-21 17:19:19

  百聆：集成Deepseek API及语音技术的开源AI语音对话助手，实时交互延迟低至800ms

  百聆是一款开源的AI语音对话助手，结合ASR、VAD、LLM和TTS技术，提供低延迟、高质量的语音对话体验，适用于边缘设备和低资源环境。

  
• 01.21 17:18:59
  发表了文章 2025-01-21 17:18:59

  GLM-Realtime：智谱推出多模态交互AI模型，融入清唱功能，支持视频和语音交互

  GLM-Realtime 是智谱推出的端到端多模态模型，具备低延迟的视频理解与语音交互能力，支持清唱功能、2分钟内容记忆及灵活调用外部工具，适用于多种智能场景。

  
• 01.21 17:18:39
  发表了文章 2025-01-21 17:18:39

  PSHuman：开源单图像3D人像重建技术，一张照片就能生成3D人像模型

  PSHuman 是一种先进的单图像3D人像重建技术，仅需一张照片即可生成高度逼真的3D模型，支持面部细节、全身姿态和纹理恢复，适用于影视、游戏、虚拟现实等多个领域。

  
• 01.21 17:18:17
  发表了文章 2025-01-21 17:18:17

  moonshot-v1-vision-preview：月之暗面Kimi推出多模态视觉理解模型，支持图像识别、OCR文字识别、数据提取

  moonshot-v1-vision-preview 是月之暗面推出的多模态图片理解模型，具备强大的图像识别、OCR文字识别和数据提取能力，支持API调用，适用于多种应用场景。

  
• 01.21 17:17:59
  发表了文章 2025-01-21 17:17:59

  CogVideoX-Flash：智谱首个免费AI视频生成模型，支持文生视频、图生视频，分辨率最高可达4K

  CogVideoX-Flash 是智谱推出的首个免费AI视频生成模型，支持文生视频、图生视频，最高支持4K分辨率，广泛应用于内容创作、教育、广告等领域。

  
• 01.21 17:17:42
  发表了文章 2025-01-21 17:17:42

  Zerox：AI驱动的万能OCR工具，精准识别复杂布局并输出Markdown格式，支持PDF、DOCX、图片等多种文件格式

  Zerox 是一款开源的本地化高精度OCR工具，基于GPT-4o-mini模型，支持PDF、DOCX、图片等多种格式文件，能够零样本识别复杂布局文档，输出Markdown格式结果。

  
• 01.21 17:17:22
  发表了文章 2025-01-21 17:17:22

  Titans：谷歌新型神经记忆架构，突破 Transformer 长序列处理的瓶颈

  Titans 是谷歌推出的新型神经网络架构，通过神经长期记忆模块突破 Transformer 在处理长序列数据时的瓶颈，支持并行计算，显著提升训练效率。

  
• 01.21 17:17:02
  发表了文章 2025-01-21 17:17:02

  Kokoro-TTS：超轻量级文本转语音模型，支持生成多种语言和多种语音风格

  Kokoro-TTS 是一款轻量级文本转语音模型，支持多语言和多语音风格生成，具备实时处理能力和低资源占用，适用于多种应用场景。

  
• 01.21 17:16:44
  发表了文章 2025-01-21 17:16:44

  CogView-3-Flash：智谱首个免费AI图像生成模型，支持多种分辨率，快速生成创意图像

  CogView-3-Flash 是智谱推出的首个免费AI图像生成模型，支持多种分辨率，快速生成高质量图像，广泛应用于广告、设计、艺术创作等领域。

  
• 01.19 02:45:59
  发表了文章 2025-01-19 02:45:59

  Weebo：支持多语言和实时语音交流的开源 AI 聊天机器人，回复具备语调、情感的语音

  Weebo 是一款基于 Whisper Small、Llama 3.2 和 Kokoro-82M 技术的 AI 语音聊天机器人，支持实时语音交互和多语言对话，适用于个人助理、娱乐互动和教育辅导等多种场景。

  
• 01.19 02:45:30
  发表了文章 2025-01-19 02:45:30

  OmAgent：轻松构建在终端设备上运行的 AI 应用，赋能手机、穿戴设备、摄像头等多种设备

  OmAgent 是 Om AI 与浙江大学联合开源的多模态语言代理框架，支持多设备连接、高效模型集成，助力开发者快速构建复杂的多模态代理应用。

  
• 01.19 02:45:10
  发表了文章 2025-01-19 02:45:10

  AutoMouser：AI Chrome扩展程序，实时跟踪用户的浏览器操作，自动生成自动化操作脚本

  AutoMouser是一款Chrome扩展程序，能够实时跟踪用户交互行为，并基于OpenAI的GPT模型自动生成Selenium测试代码，简化自动化测试流程。

  
• 01.19 02:44:43
  发表了文章 2025-01-19 02:44:43

  Mini-InternVL：轻量级多模态大模型，4B 参数量媲美 InternVL2-76B

  Mini-InternVL 是上海AI Lab联合清华等机构推出的轻量级多模态大模型，支持高效推理、跨领域适应和动态分辨率输入，适用于多种场景。

  
• 01.19 02:44:10
  发表了文章 2025-01-19 02:44:10

  MangaNinja：开源线稿着色工具，自动匹配图像风格，一键快速上色

  MangaNinja 是一款基于参考图像的线稿着色工具，通过创新的补丁重排模块和点驱动控制方案，实现精准颜色匹配和复杂场景处理，适用于漫画、插画和数字艺术创作。

  
• 01.19 02:43:41
  发表了文章 2025-01-19 02:43:41

  ParGo：字节与中山大学联合推出的多模态大模型连接器，高效对齐视觉与语言模态

  ParGo 是字节与中山大学联合推出的多模态大模型连接器，通过全局与局部视角联合，提升视觉与语言模态的对齐效果，支持高效连接、细节感知与自监督学习。

  
• 01.19 02:43:05
  发表了文章 2025-01-19 02:43:05

  SHMT：体验 AI 虚拟化妆！阿里巴巴达摩院推出自监督化妆转移技术

  SHMT 是阿里达摩院与武汉理工等机构联合研发的自监督化妆转移技术，支持高效妆容迁移与动态对齐，适用于图像处理、虚拟试妆等多个领域。

  
• 01.19 02:42:45
  发表了文章 2025-01-19 02:42:45

  SmartEraser：中科大推出图像对象移除技术，轻松移除照片中的不想要元素，保留完美瞬间

  SmartEraser 是由中科大与微软亚洲研究院联合开发的图像编辑技术，能够精准移除图像中的指定对象，同时保留周围环境的细节和结构，适用于复杂场景的图像处理。

  
• 01.19 02:42:17
  发表了文章 2025-01-19 02:42:17

  Uni-AdaFocus：清华大学开源高效视频理解框架，根据视频内容动态分配计算资源

  Uni-AdaFocus 是清华大学推出的高效视频理解框架，通过自适应聚焦机制动态调整计算资源分配，显著提升视频处理效率。

  
• 01.17 01:32:01
  发表了文章 2025-01-17 01:32:01

  每个人都可以成为虚拟主播，一键创建属于你的虚拟形象，RAIN 为你实时生成逼真动画角色

  RAIN 是一款创新的实时动画生成工具，支持在消费级硬件上实现无限视频流的实时动画化，适用于直播、虚拟角色生成等场景。

  
• 01.17 01:31:43
  发表了文章 2025-01-17 01:31:43

  Pipecat实战：5步快速构建语音与AI整合项目，创建你的第一个多模态语音 AI 助手

  Pipecat 是一个开源的 Python 框架，专注于构建语音和多模态对话代理，支持与多种 AI 服务集成，提供实时处理能力，适用于语音助手、企业服务等场景。

  
• 01.17 01:31:21
  发表了文章 2025-01-17 01:31:21

  24.7K Star！用 KHOJ 打造你的AI第二大脑，自动整合和更新多源知识，轻松构建个人知识库

  KHOJ 是一款开源的个人化 AI 助手，支持多源知识整合、语义搜索、个性化图像生成等功能，帮助用户高效管理知识库。

  
• 01.17 01:31:00
  发表了文章 2025-01-17 01:31:00

  三行代码实现实时语音转文本，支持自动断句和语音唤醒，用 RealtimeSTT 轻松创建高效语音 AI 助手

  RealtimeSTT 是一款开源的实时语音转文本库，支持低延迟应用，具备语音活动检测、唤醒词激活等功能，适用于语音助手、实时字幕等场景。

  
• 01.16 00:23:21
  发表了文章 2025-01-16 00:23:21

  FlowiseAI：34K Star！集成多种模型和100+组件的 LLM 应用低代码开发平台，拖拽组件轻松构建程序

  FlowiseAI 是一款开源的低代码工具，通过拖拽可视化组件，用户可以快速构建自定义的 LLM 应用程序，支持多模型集成和记忆功能。

  
• 01.16 00:22:53
  发表了文章 2025-01-16 00:22:53

  LlamaV-o1：全能多模态视觉推理模型，推理得分超越其他开源模型，推理速度翻5倍

  LlamaV-o1 是一款多模态视觉推理模型，通过逐步推理学习方法解决复杂任务，支持透明推理过程，适用于医疗、金融等领域。

  
• 01.16 00:22:32
  发表了文章 2025-01-16 00:22:32

  MiniCPM-o 2.6：面壁智能开源多模态大模型，仅8B参数量就能媲美GPT-4o，支持实时交互，在ipad等终端设备上运行

  MiniCPM-o 2.6 是面壁智能开源的多模态大模型，支持视觉、语音和多模态直播，性能媲美GPT-4o，能够在端侧设备上高效运行。

  
• 01.15 00:14:29
  发表了文章 2025-01-15 00:14:29

  TimesFM 2.0：用 AI 预测流量、销量和金融市场等走势！谷歌开源超越统计方法的预测模型

  TimesFM 2.0 是谷歌研究团队开源的时间序列预测模型，支持长达2048个时间点的单变量预测，具备零样本学习能力，适用于零售、金融、交通等多个领域。

  
• 01.15 00:14:01
  发表了文章 2025-01-15 00:14:01

  NVIDIA-Ingest：英伟达开源智能文档提取及结构化工具，支持 GPU 加速和并行处理

  NVIDIA-Ingest 是英伟达开源的智能文档提取工具，支持 PDF、Word、PPT 等多种格式，提供并行处理和 GPU 加速，适用于企业内容管理和生成式应用。

  
• 01.15 00:13:35
  发表了文章 2025-01-15 00:13:35

  Riona-AI-Agent：自媒体 AI 代理！自动点赞、评论、个性化内容生成和发布等交互任务

  Riona-AI-Agent 是一款基于 Node.js 和 TypeScript 的 AI 自动化工具，支持 Instagram、Twitter 等平台的自动化交互，生成高质量内容，提升社交媒体管理效率。

  
• 01.15 00:13:03
  发表了文章 2025-01-15 00:13:03

  MiniRAG：迷你 RAG 系统加成小型语言模型，爆发出与大型语言模型相当的性能

  MiniRAG 是香港大学推出的新型 RAG 系统，专为资源受限场景设计，支持高效知识检索与推理，适用于多种应用场景。

  
• 01.15 00:12:40
  发表了文章 2025-01-15 00:12:40

  Emotion-LLaMA：用 AI 读懂、听懂、看懂情绪，精准捕捉文本、音频和视频中的复杂情绪

  Emotion-LLaMA 是一款多模态情绪识别与推理模型，融合音频、视觉和文本输入，通过特定情绪编码器整合信息，广泛应用于人机交互、教育、心理健康等领域。

  
• 01.15 00:12:10
  发表了文章 2025-01-15 00:12:10

  ViTPose：最小只有100M的身体姿态估计模型，精确识别人体关节、手、脚等关键点

  ViTPose 是基于 Transformer 架构的人体姿态估计模型，能够精准定位人体关键点，支持多种规模版本，适用于运动分析、虚拟现实等场景。

  
• 01.15 00:11:40
  发表了文章 2025-01-15 00:11:40

  Eko：一句话就能快速构建复杂工作流的 AI 代理开发框架！快速实现自动操作电脑和浏览器完成任务

  Eko 是 Fellou AI 推出的开源 AI 代理开发框架，支持自然语言驱动，帮助开发者快速构建从简单指令到复杂工作流的智能代理。

  
• 01.13 22:09:04
  发表了文章 2025-01-13 22:09:04

  Agent Laboratory：AI自动撰写论文，AMD开源自动完成科研全流程的多智能体框架

  Agent Laboratory 是由 AMD 和约翰·霍普金斯大学联合推出的自主科研框架，基于大型语言模型，能够加速科学发现、降低成本并提高研究质量。

  
• 01.13 22:08:44
  发表了文章 2025-01-13 22:08:44

  SVFR：全能视频人脸修复框架，支持提升清晰度、色彩填充和缺失补全等图像修复任务

  SVFR 是一个通用视频人脸修复框架，支持人脸修复、着色和修复任务，基于 Stable Video Diffusion 技术，提供高质量的视频修复效果。

  
• 01.13 22:08:25
  发表了文章 2025-01-13 22:08:25

  PPTAgent：中科院开源AI工具，自动将文档转化为高质量PPT

  PPTAgent 是中科院推出的自动生成演示文稿框架，基于两阶段编辑方法，支持智能分析、大纲生成、幻灯片生成与评估，适用于教育、企业培训等多种场景。

  
• 01.11 23:06:11
  发表了文章 2025-01-11 23:06:11

  通义万相2.1：VBench榜单荣登第一！阿里通义万相最新视频生成模型，支持生成1080P长视频

  万相2.1是阿里通义万相最新推出的视频生成模型，支持1080P无限长视频生成，具备复杂动作展现、物理规律还原、艺术风格转换等功能。

  
• 01.11 23:05:43
  发表了文章 2025-01-11 23:05:43

  GLM-Zero：智谱AI推出与 OpenAI-o1-Preview 旗鼓相当的深度推理模型，开放在线免费使用和API调用

  GLM-Zero 是智谱AI推出的深度推理模型，专注于提升数理逻辑、代码编写和复杂问题解决能力，支持多模态输入与完整推理过程输出。

  
• 01.11 23:05:18
  发表了文章 2025-01-11 23:05:18

  DeepSeek Artifacts：在线实时预览的前端 AI 编程工具，基于DeepSeek V3快速生成React App

  DeepSeek Artifacts是Hugging Face推出的免费AI编程工具，基于DeepSeek V3，支持快速生成React和Tailwind CSS代码，适合快速原型开发和前端组件构建。

  
• 01.10 23:17:38
  发表了文章 2025-01-10 23:17:38

  SPAR3D：一张图片就能生成3D模型，每个物体的重建时间仅需0.7秒！

  SPAR3D 是由 Stability AI 和伊利诺伊大学香槟分校推出的先进单图生成3D模型方法，支持快速推理与用户交互式编辑，适用于多种3D建模场景。