Motion Prompting – 谷歌联合密歇根和布朗大学推出的运动轨迹控制视频生成模型
Motion Prompting是什么 Motion Prompting是 Google DeepMind、密歇根大学和布朗大学联合推出的视频生成技术，基于运动轨迹（mo…
Fish Speech 1.5 – Fish Audio 推出的语音合成模型，支持13种语言
Fish Speech 1.5是什么 Fish Speech 1.5 是Fish Audio 推出的文本到语音（TTS）模型，基于深度学习技术如Transformer、V…
ClearerVoice-Studio – 阿里通义实验室开源的语音处理框架
ClearerVoice-Studio是什么 ClearerVoice-Studio 是阿里巴巴达摩院通义实验室开源的语音处理框架，集成语音增强、分离和音视频说话人提取等…
PaliGemma 2 – 谷歌DeepMind推出的全新视觉语言模型
PaliGemma 2是什么 PaliGemma 2是Google DeepMind基于Gemma 2语言模型家族推出的新一代视觉语言模型（VLM），作为PaliGemm…
Optimus-1 – 哈工大联合鹏城实验室推出的智能体框架
Optimus-1是什么 Optimus-1是哈尔滨工业大学（深圳）和鹏城实验室推出的智能体框架，能解决在开放世界环境中完成长期任务的挑战。框架结合结构化知识和多模态经验…
Fox-1 – TensorOpera 开源的小语言模型系列
Fox-1是什么 Fox-1是TensorOpera推出的一系列小型语言模型（SLMs），包括Fox-1-1.6B和Fox-1-1.6B-Instruct-v0.1。Fo…
Llama 3.3 – Meta AI推出的纯文本语言模型
Llama 3.3是什么 Llama 3.3是Meta AI推出的70B 参数模型，大型多语言预训练语言模型，性能与40B参数的Llama 3.1相当。模型专为多语言对话…
Aurora – xAI为Grok AI助手推出的新图像生成模型
Aurora是什么 Aurora是xAI为AI助手Grok新增的图像生成模型。Aurora擅长创建逼真的图像，擅长人物肖像。Aurora能生成包括公共和版权人物在内的图像…
One Shot, One Talk – 中科大联合香港理工推出的动态图像生成技术
One Shot, One Talk是什么 One Shot, One Talk是先进的图像生成技术，能从单张图片中生成具有个性化细节的全身动态说话头像，支持逼真的动画效…
GLM-4V-Flash – 智谱 AI 推出的首个免费多模态模型API
GLM-4V-Flash是什么 GLM-4V-Flash 是智谱AI推出的首个免费多模态模型API，GLM-4V-Flash 模型拥有图像描述生成、图像分类、视觉推理、视…
clone-voice – 开源的声音克隆工具，支持16种语言
clone-voice是什么 Clone-voice是开源的声音克隆工具，基于深度学习技术分析和模拟人类声音，实现声音的高质量克隆。工具支持包括中文、英文、日语、韩语等在…
SNOOPI – AI文本到图像生成框架，提升单步扩散模型的效率和性能
SNOOPI是什么 SNOOPI是创新的文本到图像生成框架，基于增强单步扩散模型的指导提升模型性能和控制力。SNOOPI包括PG-SB（适当指导 – SwiftBrush…
MEMO – 音频驱动的生成肖像说话视频框架，保持身份一致性和表现力
MEMO是什么 MEMO（Memory-Guided EMOtionaware diffusion）是Skywork AI、南洋理工大学和新加坡国立大学推出的音频驱动肖像…
NVILA – 英伟达推出的视觉语言大模型
NVILA是什么 NVILA是NVIDIA推出的系列视觉语言模型，能平衡效率和准确性。模型用“先扩展后压缩”策略，有效处理高分辨率图像和长视频。NVILA在训练和微调阶段…
O1-CODER – 北交大推出的O1代码版开源项目，专注于编码任务
O1-CODER是什么 O1-CODER是北京交通大学研究团队推出的开源项目，旨在复制OpenAI的O1模型，专注于编码任务。O1-CODER结合强化学习（RL）和蒙特卡…
SOLAMI – 南洋理工推出的VR端3D角色扮演AI系统
SOLAMI是什么 SOLAMI是创新的VR端3D角色扮演AI系统，是南洋理工大学研究团队推出的。支持用户用语音和肢体语言与虚拟角色进行沉浸式互动，基于社交视觉-语言-行…
