蚝油菜花_个人页

2025年01月

• 01.01 21:11:15
  发表了文章 2025-01-01 21:11:15

  VideoPhy：UCLA 和谷歌联合推出评估视频生成模型物理模拟能力的评估工具，衡量模型生成的视频是否遵循现实世界的物理规则

  VideoPhy 是 UCLA 和谷歌联合推出的首个评估视频生成模型物理常识能力的基准测试，旨在衡量模型生成的视频是否遵循现实世界的物理规则。

  
• 01.01 21:10:52
  发表了文章 2025-01-01 21:10:52

  VersaGen：生成式 AI 代理，基于 Stable Diffusion 生成图像，专注于控制一至多个视觉主体等生成细节

  VersaGen 是一款生成式 AI 代理，专注于文本到图像合成中的视觉控制能力，支持多种视觉控制类型，并通过优化策略提升图像生成质量和用户体验。

  
• 01.01 21:10:28
  发表了文章 2025-01-01 21:10:28

  AutoRAG：自动优化 RAG 管道工具，自动评估各种 RAG 模块组合，快速找到最优的 RAG 管道

  AutoRAG 是一款自动优化 RAG（Retrieval-Augmented Generation）管道的工具，帮助用户找到最适合其数据和应用场景的最佳 RAG 管道。

  
• 01.01 21:10:01
  发表了文章 2025-01-01 21:10:01

  Large Motion Model：多模态运动生成模型，能够同时处理文本、音乐、视频等多种模态生成相应的运动动作

  Large Motion Model（LMM）是商汤科技与南洋理工大学联合推出的统一多模态运动生成模型，能够处理文本到运动、音乐到舞蹈等多种任务，展现出强大的泛化能力。

  
• 01.01 21:09:37
  发表了文章 2025-01-01 21:09:37

  GraphAgent：自动构建知识图谱，能够处理结构化和非结构化数据，并通过知识图谱展示复杂关系

  GraphAgent 是香港大学和香港科技大学联合推出的智能图形语言助手，能够处理结构化和非结构化数据，并通过知识图谱展示复杂关系。

  
• 01.01 21:09:00
  发表了文章 2025-01-01 21:09:00

  AGUVIS：指导模型实现 GUI 自动化训练框架，结合视觉-语言模型进行训练，实现跨平台自主 GUI 交互

  AGUVIS 是香港大学与 Salesforce 联合推出的纯视觉 GUI 自动化框架，能够在多种平台上实现自主 GUI 交互，结合显式规划和推理，提升复杂数字环境中的导航和交互能力。

  
• 01.01 21:08:13
  发表了文章 2025-01-01 21:08:13

  VideoVAE+：AI 生成视频高保真重建和跨模态重建工具，基于文本信息指导视频重建，提升视频细节质量

  VideoVAE+ 是香港科技大学推出的先进跨模态视频变分自编码器，通过时空分离压缩机制和文本指导，实现了高效视频压缩与精准重建。

  
• 01.01 15:49:18
  发表了文章 2025-01-01 15:49:18

  联通元景：中国联通开源中文原生的文生图模型，优化对中文长文本和成语语义等理解

  联通元景（UniT2IXL）是中国联通AI推出的中文原生文生图模型，基于国产昇腾AI平台，优化中文语义理解，支持高质量图像生成。

  
• 01.01 15:48:51
  发表了文章 2025-01-01 15:48:51

  EDTalk：只需上传图片、音频和视频，就能使图片中的人物说话，情感表情与音频情绪高度统一

  EDTalk 是上海交通大学与网易联合研发的高效解耦情感说话头像合成模型，能够独立控制嘴型、头部姿态和情感表情，适用于多种应用场景。

  
• 01.01 15:48:29
  发表了文章 2025-01-01 15:48:29

  MNN：阿里开源的轻量级深度学习推理框架，支持在移动端等多种终端上运行，兼容主流的模型格式

  MNN 是阿里巴巴开源的轻量级深度学习推理框架，支持多种设备和主流模型格式，具备高性能和易用性，适用于移动端、服务器和嵌入式设备。

  
• 01.01 15:48:03
  发表了文章 2025-01-01 15:48:03

  Infinity：字节跳动开源高分辨率图像生成模型，生成 1024x1024 的图像仅需 0.8 秒

  Infinity 是字节跳动推出的高分辨率图像生成模型，通过位级自回归建模和无限词汇量标记器，显著提升了图像生成的细节和质量。

  
• 01.01 15:47:40
  发表了文章 2025-01-01 15:47:40

  Vision Parse：开源的 PDF 转 Markdown 工具，结合视觉语言模型和 OCR，识别文本和表格并保持原格式

  Vision Parse 是一款开源的 PDF 转 Markdown 工具，基于视觉语言模型，能够智能识别和提取 PDF 中的文本和表格，并保持原有格式和结构。

  
• 01.01 15:47:15
  发表了文章 2025-01-01 15:47:15

  VidTok：微软开源的视频分词器，能够将视频内容转换为视觉 Token

  VidTok 是微软开源的一款先进的视频分词器，支持连续和离散分词化，能够高效地将视频内容转换为视觉 Token，适用于多种应用场景。

  
• 01.01 15:46:55
  发表了文章 2025-01-01 15:46:55

  FinRobot：开源的金融专业 AI Agent，提供市场预测、报告分析和交易策略等金融解决方案

  FinRobot 是一个开源的 AI Agent 平台，专注于金融领域的应用，通过大型语言模型（LLMs）构建复杂的金融分析和决策工具，提供市场预测、文档分析和交易策略等多种功能。

  
• 01.01 15:46:25
  发表了文章 2025-01-01 15:46:25

  Diff-Instruct：指导任意生成模型训练的通用框架，无需额外训练数据即可提升生成质量

  Diff-Instruct 是一种从预训练扩散模型中迁移知识的通用框架，通过最小化积分Kullback-Leibler散度，指导其他生成模型的训练，提升生成性能。

  

2024年12月

• 12.30 21:13:58
  发表了文章 2024-12-30 21:13:58

  Cobalt：开源的流媒体下载工具，支持解析和下载全平台的视频、音频和图片，支持多种视频质量和格式，自动提取视频字幕

  cobalt 是一款开源的流媒体下载工具，支持全平台视频、音频和图片下载，提供纯净、简洁无广告的体验

  
• 12.30 21:12:09
  发表了文章 2024-12-30 21:12:09

  CogAgent-9B：智谱 AI 开源 GLM-PC 的基座模型，专注于预测和执行 GUI 操作，可应用于自动化交互任务

  CogAgent-9B 是智谱AI基于 GLM-4V-9B 训练的专用Agent任务模型，支持高分辨率图像处理和双语交互，能够预测并执行GUI操作，广泛应用于自动化任务。

  
• 12.30 21:10:36
  发表了文章 2024-12-30 21:10:36

  Qwen-Agent：阿里通义开源 AI Agent 应用开发框架，支持构建多智能体，具备自动记忆上下文等能力

  Qwen-Agent 是阿里通义开源的一个基于 Qwen 模型的 Agent 应用开发框架，支持指令遵循、工具使用、规划和记忆能力，适用于构建复杂的智能代理应用。

  
• 12.30 21:09:09
  发表了文章 2024-12-30 21:09:09

  Enhance-A-Video：上海 AI Lab 推出视频生成质量增强算法，显著提升 AI 视频生成的真实度和细节表现

  Enhance-A-Video 是由上海人工智能实验室、新加坡国立大学和德克萨斯大学奥斯汀分校联合推出的视频生成质量增强算法，能够显著提升视频的对比度、清晰度和细节真实性。

  
• 12.30 21:07:55
  发表了文章 2024-12-30 21:07:55

  FastExcel：开源的 JAVA 解析 Excel 工具，集成 AI 通过自然语言处理 Excel 文件，完全兼容 EasyExcel

  FastExcel 是一款基于 Java 的高性能 Excel 处理工具，专注于优化大规模数据处理，提供简洁易用的 API 和流式操作能力，支持从 EasyExcel 无缝迁移。

  
• 12.30 21:07:14
  发表了文章 2024-12-30 21:07:14

  DynamicControl：腾讯推出动态地条件控制图像生成框架，结合了多模态大语言模型的推理能力和文生图模型的生成能力

  DynamicControl 是腾讯优图联合南洋理工等机构推出的动态条件控制图像生成新框架，通过自适应选择不同条件，显著增强了图像生成的可控性。

  
• 12.30 21:06:11
  发表了文章 2024-12-30 21:06:11

  VE-Bench：北京大学开源首个针对视频编辑质量的评估指标，从多角度考虑审美并准确地评估视频编辑效果

  北京大学开源了首个针对视频编辑质量评估的新指标 VE-Bench，旨在通过人类感知一致的度量标准，更准确地评估视频编辑效果。

  
• 12.30 21:04:17
  发表了文章 2024-12-30 21:04:17

  PeterCat：一键创建开源项目 AI 问答机器人，自动抓取 GitHub 仓库信息、文档和 issue 等构建知识库

  PeterCat 是一款开源的智能答疑机器人，能够自动抓取 GitHub 上的文档和 issue 构建知识库，提供对话式答疑服务，帮助开发者和社区维护者高效解决技术问题。

  
• 12.29 15:29:39
  发表了文章 2024-12-29 15:29:39

  DRT-o1：腾讯推出专注于文学翻译的 AI 模型，擅长理解比喻和隐喻等修辞手法，在翻译时保留原文的情感色彩

  DRT-o1 是腾讯研究院推出的文学翻译系列 AI 模型，通过长链思考推理技术显著提升翻译质量，特别擅长处理比喻和隐喻等修辞手法。

  
• 12.29 15:27:55
  发表了文章 2024-12-29 15:27:55

  video-analyzer：开源视频分析工具，支持提取视频关键帧、音频转录，自动生成视频详细描述

  video-analyzer 是一款开源视频分析工具，结合 Llama 的 11B 视觉模型和 OpenAI 的 Whisper 模型，能够提取视频关键帧、转录音频并生成详细描述，支持本地运行和多种应用场景

  
• 12.29 15:27:21
  发表了文章 2024-12-29 15:27:21

  ModernBERT：英伟达开源的新一代编码器模型，性能超越 SOTA，通过去除填充和序列打包减少计算浪费，提高训练和推理的效率

  ModernBERT 是由英伟达和 HuggingFace 等机构联合开源的新一代编码器模型，支持长上下文处理，性能超越 SOTA，适合多种自然语言处理任务。

  
• 12.29 15:26:46
  发表了文章 2024-12-29 15:26:46

  Mathtutor on Groq：AI 数学辅导工具，实时计算并展示解题过程，支持通过语音提出数学问题

  Mathtutor on Groq 是一款基于 Groq 架构的 AI 数学辅导工具，支持语音输入数学问题，实时计算并渲染解题过程，适用于代数、微积分等领域的学习和教学辅助。

  
• 12.29 15:26:11
  发表了文章 2024-12-29 15:26:11

  DiTCtrl：腾讯推出多提示视频生成方法，通过多个提示生成连贯的视频内容，确保内容与提示一致

  DiTCtrl 是一种基于多模态扩散变换器（MM-DiT）架构的多提示视频生成方法，能够在无需额外训练的情况下，实现多个文本提示之间的连贯视频生成，并保持内容和运动的一致性。

  
• 12.29 15:11:02
  发表了文章 2024-12-29 15:11:02

  SPAR：智谱 AI 推出自我博弈训练框架，基于生成者和完善者两个角色的互动，提升了执行准确度和自我完善能力

  SPAR 是智谱团队推出的自我博弈训练框架，旨在提升大型语言模型在指令遵循方面的能力，通过生成者和完善者的互动以及树搜索技术优化模型响应。

  
• 12.29 15:08:31
  发表了文章 2024-12-29 15:08:31

  LowCodeEngine：阿里开源的企业级低代码开发平台，提供预制的 UI 组件和模板，覆盖完整的研发周期

  LowCodeEngine 是阿里巴巴开源的低代码开发框架，旨在通过拖拽、配置等简单操作，帮助开发者快速构建复杂的系统页面，提升开发效率和质量。

  
• 12.29 14:59:50
  发表了文章 2024-12-29 14:59:50

  DeepSeek V3：DeepSeek 开源的最新多模态 AI 模型，编程能力超越Claude，生成速度提升至 60 TPS

  DeepSeek V3 是深度求索公司开源的最新 AI 模型，采用混合专家架构，具备强大的编程和多语言处理能力，性能超越多个竞争对手。

  
• 12.26 13:51:10
  发表了文章 2024-12-26 13:51:10

  TRELLIS：微软联合清华和中科大推出的高质量 3D 生成模型，支持局部控制和多种输出格式

  TRELLIS 是由微软、清华大学和中国科学技术大学联合推出的高质量 3D 生成模型，能够根据文本或图像提示生成多样化的 3D 资产，支持多种输出格式和灵活编辑。

  
• 12.26 13:50:26
  发表了文章 2024-12-26 13:50:26

  Midscene.js：AI 驱动的 UI 自动化测试框架，支持自然语言交互，生成可视化报告

  Midscene.js 是一款基于 AI 技术的 UI 自动化测试框架，通过自然语言交互简化测试流程，支持动作执行、数据查询和页面断言，提供可视化报告，适用于多种应用场景。

  
• 12.26 13:49:43
  发表了文章 2024-12-26 13:49:43

  PC Agent：开源 AI 电脑智能体，自动收集人机交互数据，模拟认知过程实现办公自动化

  PC Agent 是上海交通大学与 GAIR 实验室联合推出的智能 AI 系统，能够模拟人类认知过程，自动化执行复杂的数字任务，如组织研究材料、起草报告等，展现了卓越的数据效率和实际应用潜力。

  
• 12.26 13:48:51
  发表了文章 2024-12-26 13:48:51

  ASAL：Sakana AI 联合 OpenAI 推出自动探索人工生命的系统，通过计算机模拟生命进化的过程

  ASAL 是由 Sakana AI 联合 OpenAI 等机构推出的自动化搜索人工生命系统，基于基础模型实现多种搜索机制，扩展了人工生命研究的边界。

  
• 12.26 13:40:17
  发表了文章 2024-12-26 13:40:17

  Granite 3.1：IBM 开源新一代可商用大语言模型，支持 128K 上下文长度、多语言和复杂任务处理

  IBM 推出的 Granite 3.1 是一款新一代语言模型，具备强大的性能和更长的上下文处理能力，支持多语言和复杂任务处理。

  
• 12.26 13:37:05
  发表了文章 2024-12-26 13:37:05

  Browser Use：开源 AI 浏览器助手，自动完成网页交互任务，支持多标签页管理、视觉识别和内容提取等功能

  Browser Use 是一款专为大语言模型设计的智能浏览器工具，支持多标签页管理、视觉识别、内容提取等功能，并能记录和重复执行特定动作，适用于多种应用场景。

  
• 12.26 13:35:43
  发表了文章 2024-12-26 13:35:43

  Open Notebook：开源 AI 笔记工具，支持多种文件格式，自动转播客和生成总结，集成搜索引擎等功能

  Open Notebook 是一款开源的 AI 笔记工具，支持多格式笔记管理，并能自动将笔记转换为博客或播客，适用于学术研究、教育、企业知识管理等多个场景。

  
• 12.24 23:44:05
  发表了文章 2024-12-24 23:44:05

  HelloMeme：开源的面部表情与姿态迁移框架，将视频中的人物表情迁移到静态图像中生成动态视频

  HelloMeme 是一个基于 Stable Diffusion 1.5 模型的面部表情与姿态迁移框架，通过集成空间编织注意力机制，实现了自然且物理合理的表情包视频生成。该框架具有强大的泛化能力和扩展性，适用于多种应用场景。

  
• 12.24 23:43:36
  发表了文章 2024-12-24 23:43:36

  VSI-Bench：李飞飞谢赛宁团队推出视觉空间智能基准测试集，旨在评估多模态大语言模型在空间认知和理解方面的能力

  VSI-Bench是由李飞飞和谢赛宁团队推出的视觉空间智能基准测试集，旨在评估多模态大型语言模型（MLLMs）在空间认知和理解方面的能力。该基准测试集包含超过5000个问题-答案对，覆盖近290个真实室内场景视频，涉及多种环境，能够系统地测试和提高MLLMs在视觉空间智能方面的表现。

  
• 12.24 23:43:08
  发表了文章 2024-12-24 23:43:08

  CLEAR：新加坡国立大学推出线性注意力机制，使8K图像的生成速度提升6.3倍，显著减少了计算量和时间延迟

  新加坡国立大学推出的CLEAR线性注意力机制，通过局部注意力窗口设计，显著提升了预训练扩散变换器生成高分辨率图像的效率，生成8K图像时提速6.3倍。

  
• 12.24 23:42:42
  发表了文章 2024-12-24 23:42:42

  Kheish：开源的多智能体开发框架，通过 YAML 配置工作流和多个 Agent 共同协作解决复杂任务

  Kheish 是一个开源的多智能体协调平台，基于大型语言模型（LLM）设计，能够通过灵活配置多个智能体来解决复杂任务。平台支持模块化集成、聊天式提示、反馈循环等功能，适用于代码审计、法律文件分析、客户服务自动化等多种应用场景。

  
• 12.24 23:42:08
  发表了文章 2024-12-24 23:42:08

  Bamba-9B：基于 Mamba2 架构的仅解码语言模型，旨在提高大型语言模型在推理时的效率

  Bamba-9B 是由 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。该模型在开放数据集上训练，旨在提高大型语言模型的推理效率，特别是在处理长文本时的内存带宽瓶颈。Bamba-9B 在推理时相较于标准变换器模型展现出 2.5 倍的吞吐量提升和 2 倍的延迟加速。

  
• 12.24 23:41:32
  发表了文章 2024-12-24 23:41:32

  DisPose：清华北大等多所高校联合推出基于人物图像增强视频生成技术，实现对人物动画的准确控制和一致性

  DisPose是由北京大学、中国科学技术大学、清华大学和香港科技大学联合推出的增强人物图像控制动画质量的技术。该技术通过从骨骼姿态和参考图像中提取控制信号，生成密集运动场，并保持对不同体型的泛化能力，显著提升了人物图像动画的质量和一致性。

  
• 12.24 23:41:00
  发表了文章 2024-12-24 23:41:00

  InvSR：开源图像超分辨率生成模型，提升分辨率，修复老旧照片为超清图像

  InvSR 是一个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。它通过深度噪声预测器和灵活的采样机制，能够高效地提升图像分辨率，适用于老旧照片修复、视频监控、医疗成像等多个领域。

  
• 12.24 23:40:24
  发表了文章 2024-12-24 23:40:24

  Univer：开源全栈 AI 办公工具，支持 Word、Excel、PPT 等文档处理和多人实时协作

  Univer 是一款开源的 AI 办公工具，支持 Word、Excel 等文档处理的全栈解决方案。它具有强大的功能、高度的可扩展性和跨平台兼容性，适用于个人和企业用户，能够显著提高工作效率。

  
• 12.23 21:29:36
  发表了文章 2024-12-23 21:29:36

  3D-Speaker：阿里通义开源的多模态说话人识别项目，支持说话人识别、语种识别、多模态识别、说话人重叠检测和日志记录

  3D-Speaker是阿里巴巴通义实验室推出的多模态说话人识别开源项目，结合声学、语义和视觉信息，提供高精度的说话人识别和语种识别功能。项目包含工业级模型、训练和推理代码，以及大规模多设备、多距离、多方言的数据集，适用于多种应用场景。

  
• 12.23 17:17:39
  发表了文章 2024-12-23 17:17:39

  VisionFM：通用眼科 AI 大模型，具备眼科疾病诊断能力，展现出专家级别的准确性

  VisionFM 是一个多模态多任务的视觉基础模型，专为通用眼科人工智能设计。通过预训练大量眼科图像，模型能够处理多种眼科成像模态，并在多种眼科任务中展现出专家级别的智能性和准确性。

  
• 12.23 17:16:55
  发表了文章 2024-12-23 17:16:55

  LeviTor：蚂蚁集团开源3D目标轨迹控制视频合成技术，能够控制视频中3D物体的运动轨迹

  LeviTor是由南京大学、蚂蚁集团等机构联合推出的3D目标轨迹控制视频合成技术，通过结合深度信息和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。

  
• 12.23 17:16:21
  发表了文章 2024-12-23 17:16:21

  AgentScope：阿里开源多智能体低代码开发平台，支持一键导出源码、多种模型API和本地模型部署

  AgentScope是阿里巴巴集团开源的多智能体开发平台，旨在帮助开发者轻松构建和部署多智能体应用。该平台提供分布式支持，内置多种模型API和本地模型部署选项，支持多模态数据处理。