Scribe – ElevenLabs 推出的高精度语音转文本模型
Scribe是什么 Scribe 是 ElevenLabs 推出的高精度语音转文本模型，专为多语言和复杂音频环境设计。支持99种语言，英语和意大利语的转录准确率分别达到9…
员工反弹与技术翻车：Meta 缩减“监控员工训练 AI”计划
Meta 公司此前宣布的内部 AI 训练计划遭遇重大挫折。这项名为“模型能力计划”（MCI）的工具原计划通过追踪员工的键盘敲击和鼠标点击数据，来获取真实的电脑使用数据并训…
Finedefics – 北大团队推出的细粒度多模态大模型
Finedefics是什么 Finedefics 是北京大学彭宇新教授团队推出的细粒度多模态大模型，提升多模态大语言模型（MLLMs）在细粒度视觉识别（FGVR）任务中的…
豆包1.5·UI-TARS – 字节豆包推出的 GUI Agent 模型
豆包1.5·UI-TARS是什么 豆包1.5·UI-TARS是字节豆包推出的面向图形界面交互（GUI）的Agent模型。模型基于感知、推理和动作执行等类人能力，与图形界面…
Auto-Deep-Research – 香港大学开源的全自动个人 AI 助理
Auto-Deep-Research是什么 Auto-Deep-Research 是香港大学黄超教授实验室开源的全自动个人 AI 助理，作为 OpenAI Deep Re…
FoxBrain – 鸿海研究院推出的推理大语言模型
FoxBrain是什么 FoxBrain 是鸿海研究院推出的繁体中文大型语言模型（LLM），具有强大的推理能力。基于 Meta Llama 3.1 架构，拥有 70B 参…
D-DiT – 耶鲁大学联合字节Seed等机构推出的多模态扩散模型
D-DiT是什么 D-DiT（Dual Diffusion Transformer）是卡内基梅隆大学、耶鲁大学和字节跳动Seed实验室推出的多模态扩散模型，能统一图像生成…
Mureka O1 – 昆仑万维推出的音乐推理大模型
Mureka O1是什么 Mureka O1是昆仑万维发布的全球首款音乐推理大模型，全球首个引入“思维链”（Chain of Thought，CoT）技术的音乐模型，Mu…
Lumina-Video – 上海 AI Lab 和港中文推出的视频生成框架
Lumina-Video是什么 Lumina-Video是上海 AI Lab 和香港中文大学推出的视频生成框架，基于Next-DiT架构，针对视频生成中的时空复杂性进行优…
A2A – 谷歌开源的首个标准智能体交互协议
A2A是什么 A2A（Agent2Agent Protocol）是谷歌开源的首个标准智能体交互协议，让不同框架和供应商构建的AI智能体相互协作。A2A基于标准化的通信方式…
ART – 微软联合清华和北大等推出的多层透明图像生成技术
ART是什么 ART（Anonymous Region Transformer） 是新型的多层透明图像生成技术，能根据全局文本提示和匿名区域布局直接生成多个独立的透明图层…
PartEdit – KAUST推出的细粒度图像编辑方法
PartEdit是什么 PartEdit是KAUST推出基于预训练扩散模型的细粒度图像编辑方法。PartEdit基于优化特定的文本标记（称为“部分标记”），让扩散模型精准…
Seedream 2.0 – 字节豆包推出的原生中英双语图像生成模型
Seedream 2.0是什么 Seedream 2.0 是字节跳动豆包大模型团队推出的原生中英双语图像生成模型，解决现有模型在文本渲染、文化理解等方面的不足。模型通过自…
GR00T N1 – 英伟达开源的人形机器人基础模型
GR00T N1是什么 GR00T N1 是英伟达推出的全球首个开源基础模型，专为通用人形机器人设计。基于多模态输入（如语言和图像）实现多样化环境中的操作任务。GR00T…
Firefly Image Model 4 – Adobe 推出的图像生成模型
Firefly Image Model 4是什么 Firefly Image Model 4 是 Adobe 最新推出的图像生成模型，是目前最快、最具控制性和最逼真的 F…
Agent Squad – 开源的多 Agents 对话编排框架
Agent Squad是什么 Agent Squad 是轻量级、开源的多 Agents 框架，用在协调多个 AI Agents 处理复杂对话。Agent Squad支持 …
