PUMA – 多粒度策略统一的多模态大语言模型
PUMA是什么 PUMA是一个先进的多模态大型语言模型（MLLM），旨在基于集成多粒度视觉特征统一和增强视觉生成和理解任务。PUMA能处理从文本到图像的生成、详细的图像编…
Janus – DeepSeek推出的自回归框架，统一多模态理解和生成任务
Janus是什么 Janus是一个由DeepSeek AI推出的自回归框架，旨在统一多模态理解和生成任务。将视觉编码分离成不同的路径解决以往方法的局限性，且用单一的变换器…
PaddleOCR 2.9 – 百度飞桨推出的新版开源光学字符识别（OCR）工具库
PaddleOCR 2.9 是什么 PaddleOCR 2.9是由百度飞桨（PaddlePaddle）推出的一款开源光学字符识别（OCR）工具库。提供丰富的算法和模型，支…
Mellum – JetBrains 推出专为开发者设计的大语言模型
Mellum是什么 Mellum 是 JetBrains 推出的一款专为开发者设计的大型语言模型（LLM），旨在提升 AI 驱动的开发工具。通过深度集成 JetBrain…
easegen – AI数字人课程制作平台，智能课件自动批量生成
easegen是什么 easegen是一个开源的AI+数字人课程制作项目，集成课程制作、视频管理、智能课件生成到智能出题的全套方案。项目支持PPT课件的批量自动生成、数字…
sCM – OpenAI推出连续时间一致性模型，两步采样生成高质量图像
sCM是什么 sCM是OpenAI推出的连续时间一致性模型，基于扩散模型原理进行改进。sCM简化理论框架和优化采样过程，实现图像生成速度的显著提升。sCM模型仅需两步采样…
Moonshine – 实时转录场景、低延时高准确的语音识别模型
Moonshine是什么 Moonshine是专为资源受限设备优化的语音识别模型，提供快速且准确的实时语音转文本服务。适于需要即时响应的应用场景，例如现场转录和语音命令识…
Time-MoE – 基于MoE架构的时间序列基础模型
Time-MoE是什么 Time-MoE是创新的时间序列基础模型，基于混合专家（Mixture of Experts, MoE）架构，将时间序列预训练模型的参数规模扩展至…
SynthID – DeepMind推出能嵌入数字水印和检测AI生成内容的工具
SynthID是什么 SynthID 是 DeepMind 推出的技术工具，基于在 AI 生成的内容中嵌入数字水印帮助识别内容。水印对人类是不可感知的，但能被机器检测到，…
Whispo – AI语音转录工具，一键录音与转写
Whispo是什么 Whispo是AI驱动的语音转录工具，支持用户按住Ctrl键录制语音，在释放键时自动将转录的文本插入到正在用的任何支持文本输入的应用程序中。工具的数据…
AutoGLM-Web – AI浏览器助手，模拟用户进行网页浏览与交互
AutoGLM-Web是什么 AutoGLM-Web是模拟用户操作的AI浏览器助手，基于大型语言模型构建，能执行网页访问、信息检索、内容总结等任务。基于简单的文字或语音指…
OmniGen – 统一图像生成的扩散模型，支持多模态输入
OmniGen是什么 OmniGen是用于统一图像生成的新扩散模型，能在单一框架内处理多种图像生成任务，如文本到图像的生成、图像编辑、主题驱动生成和视觉条件生成等。Omn…
CogAgent – 清华与智谱AI联合推出的多模态视觉大模型
CogAgent是什么 CogAgent是清华大学与智谱AI联合推出的多模态视觉大模型，专注于图形用户界面（GUI）的理解和导航。通过视觉模态对GUI界面进行感知，非传统…
OMNE Multiagent – 天桥脑科学研究院推出的大模型多智能体框架
OMNE Multiagent是什么 OMNE Multiagent是天桥脑科学研究院（Tianqiao and Chrissy Chen Institute，TCCI）…
DuoAttention – 提高LLMs处理长上下文推理效率的AI框架
DuoAttention是什么 DuoAttention是新型的框架，由MIT韩松团队提出，用在提高大型语言模型（LLMs）在处理长上下文时的推理效率。基于区分“检索头”…
HuggingChat macOS – Hugging Face开源的macOS聊天应用程序
HuggingChat macOS是什么 HuggingChat macOS是Hugging Face推出的开源聊天应用程序，专为macOS用户设计，基于强大的开源语言模…
