蚝油菜花_个人页

2025年02月

• 02.02 00:58:27
  发表了文章 2025-02-02 00:58:27

  YuE：开源AI音乐生成模型，能够将歌词转化为完整的歌曲，支持多种语言和多种音乐风格

  YuE 是香港科技大学和 M-A-P 联合开发的开源 AI 音乐生成模型，能够将歌词转化为完整的歌曲，支持多种音乐风格和多语言。

  
• 02.02 00:58:04
  发表了文章 2025-02-02 00:58:04

  Aligner：自动修正AI的生成结果，北大推出残差修正模型对齐技术

  介绍北大团队提出的 Aligner 模型对齐技术，通过学习对齐答案与未对齐答案之间的修正残差，提升大语言模型的性能。
• 02.02 00:57:44
  发表了文章 2025-02-02 00:57:44

  VARGPT：将视觉理解与生成统一在一个模型中，北大推出支持混合模态输入与输出的多模态统一模型

  VARGPT是北京大学推出的多模态大语言模型，专注于视觉理解和生成任务，支持混合模态输入和高质量图像生成。
• 02.02 00:57:19
  发表了文章 2025-02-02 00:57:19

  o3-mini：OpenAI 发布最新推理模型，强大的STEM推理能力，灵活调整推理强度

  OpenAI o3-mini是OpenAI推出的全新推理模型，专为科学、数学和编程等技术领域优化，支持三种推理强度，灵活调整性能。

  
• 02.02 00:56:47
  发表了文章 2025-02-02 00:56:47

  SpeechGPT 2.0：复旦大学开源端到端 AI 实时语音交互模型，实现 200ms 以内延迟的实时交互

  SpeechGPT 2.0 是复旦大学 OpenMOSS 团队推出的端到端实时语音交互模型，具备拟人口语化表达、低延迟响应和多情感控制等功能。

  
• 01.31 17:54:49
  发表了文章 2025-01-31 17:54:49

  QVQ-72B-Preview：阿里通义千问最新多模态推理模型，视觉推理助力复杂图像理解

  阿里云通义千问团队开源的多模态推理模型 QVQ-72B-Preview，专注于提升视觉推理能力，支持复杂图像理解和逐步推理。

  
• 01.31 17:54:23
  发表了文章 2025-01-31 17:54:23

  Qwen2.5-Max：阿里通义千问超大规模 MoE 模型，使用超过20万亿tokens的预训练数据

  Qwen2.5-Max是阿里云推出的超大规模MoE模型，具备强大的语言处理能力、编程辅助和多模态处理功能，支持29种以上语言和高达128K的上下文长度。

  

2025年01月

• 01.29 19:41:55
  发表了文章 2025-01-29 19:41:55

  Janus-Pro：DeepSeek 开源的多模态模型，支持图像理解和生成

  Janus-Pro是DeepSeek推出的一款开源多模态AI模型，支持图像理解和生成，提供1B和7B两种规模，适配多元应用场景。通过改进的训练策略、扩展的数据集和更大规模的模型，显著提升了文本到图像的生成能力和指令跟随性能。

  
• 01.29 19:41:26
  发表了文章 2025-01-29 19:41:26

  Qwen2.5-VL：阿里通义千问最新开源视觉语言模型，能够理解超过1小时的长视频

  Qwen2.5-VL 是阿里通义千问团队开源的视觉语言模型，具有3B、7B和72B三种不同规模，能够识别常见物体、分析图像中的文本、图表等元素，并具备作为视觉Agent的能力。

  
• 01.28 14:28:20
  发表了文章 2025-01-28 14:28:20

  DiffuEraser：阿里通义实验室推出的视频修复模型，支持高清修复、时间一致性优化

  DiffuEraser 是阿里通义实验室推出的基于稳定扩散模型的视频修复工具，能够生成丰富的细节并保持时间一致性，适用于电影修复、监控增强等场景。

  
• 01.28 14:27:47
  发表了文章 2025-01-28 14:27:47

  Baichuan-Omni-1.5：百川智能开源全模态理解与生成模型，支持文本、图像、音频和视频的多模态输入和输出

  Baichuan-Omni-1.5 是百川智能开源的全模态理解模型，支持文本、图像、音频和视频的多模态输入和输出，显著提升多模态交互体验。

  
• 01.27 00:12:08
  发表了文章 2025-01-27 00:12:08

  FilmAgent：多智能体共同协作制作电影，哈工大联合清华推出 AI 驱动的自动化电影制作工具

  FilmAgent 是由哈工大与清华联合推出的AI电影自动化制作工具，通过多智能体协作实现从剧本生成到虚拟拍摄的全流程自动化。

  
• 01.27 00:11:39
  发表了文章 2025-01-27 00:11:39

  VideoLLaMA3：阿里达摩院开源专注于视觉理解的多模态基础模型，具备多语言视频理解能力

  VideoLLaMA3 是阿里巴巴开源的多模态基础模型，专注于图像和视频理解，支持多语言生成、视频内容分析和视觉问答任务，适用于多种应用场景。
• 01.27 00:11:21
  发表了文章 2025-01-27 00:11:21

  Chainlit：一个开源的异步Python框架，快速构建生产级对话式 AI 应用

  Chainlit 是一个开源的异步 Python 框架，帮助开发者在几分钟内构建可扩展的对话式 AI 或代理应用，支持多种工具和服务集成。
• 01.26 21:08:56
  发表了文章 2025-01-26 21:08:56

  Baichuan-M1-14B：AI 助力医疗推理，为患者提供专业的建议！百川智能开源业内首个医疗增强大模型，普及医学的新渠道！

  Baichuan-M1-14B 是百川智能推出的首个开源医疗增强大模型，专为医疗场景优化，支持多语言、快速推理，具备强大的医疗推理能力和通用能力。

  
• 01.26 21:08:17
  发表了文章 2025-01-26 21:08:17

  Tarsier2：字节跳动开源专注于图像和视频内容理解的视觉语言大模型

  Tarsier2 是字节跳动推出的大规模视觉语言模型，支持高质量视频描述、问答与定位，在多个视频理解任务中表现优异。
• 01.25 00:16:44
  发表了文章 2025-01-25 00:16:44

  微软开源课程！21节课程教你开发生成式 AI 应用所需了解的一切

  微软推出的生成式 AI 入门课程，涵盖 21 节课程，帮助开发者快速掌握生成式 AI 应用开发，支持 Python 和 TypeScript 代码示例。
• 01.23 23:27:48
  发表了文章 2025-01-23 23:27:48

  用自然语言控制电脑，字节跳动开源 UI-TARS 的桌面版应用！内附详细的安装和配置教程

  UI-TARS Desktop 是一款基于视觉语言模型的 GUI 代理应用，支持通过自然语言控制电脑操作，提供跨平台支持、实时反馈和精准的鼠标键盘控制。

  
• 01.23 23:27:27
  发表了文章 2025-01-23 23:27:27

  PaSa：字节跳动开源学术论文检索智能体，自动调用搜索引擎、浏览相关论文并追踪引文网络

  PaSa 是字节跳动推出的基于强化学习的学术论文检索智能体，能够自动调用搜索引擎、阅读论文并追踪引文网络，帮助用户快速获取精准的学术文献。
• 01.23 23:26:33
  发表了文章 2025-01-23 23:26:33

  UI-TARS：字节跳动开源专注于多平台 GUI 自动化交互的视觉语言模型

  UI-TARS 是字节跳动推出的新一代原生图形用户界面（GUI）代理模型，支持跨平台自动化交互，具备强大的感知、推理、行动和记忆能力，能够通过自然语言指令完成复杂任务。

  
• 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。