Umi-OCR – 免费 OCR 文字识别工具，支持截图、批量图片排版解析
Umi-OCR是什么 Umi-OCR 是免费开源的离线 OCR 文字识别软件。无需联网，解压即用，支持截图、批量图片、PDF 扫描件的文字识别，能识别数学公式、二维码，可…
DreamO – 字节联合北大推出的图像定制生成框架
DreamO是什么 DreamO 是字节跳动创作团队联合北京大学深圳研究生院电子与计算机工程学院联合推出的用在图像定制生成的统一框架，基于预训练的扩散变换器（DiT）模型…
Veo 3 – 谷歌推出的新一代视频生成模型
Veo 3是什么 Veo 3是谷歌I/O开发者大会上发布的新一代视频生成模型。Veo 3是谷歌首个可生成视频背景音效的模型，能合成画面，能为鸟鸣、街头交通等场景配上相应的…
EasyControl Ghibli – 免费生成吉卜力风格图像的 AI 模型
EasyControl Ghibli是什么 EasyControl Ghibli 是基于 EasyControl 框架开发的 AI 模型，已上线 Hugging Face…
VidSketch – 浙江大学推出的视频动画生成框架
VidSketch是什么 VidSketch 是浙江大学 CAD&CG 国家重点实验室和软件学院推出的创新视频生成框架，根据手绘草图和简单文本提示生成高质量的视频动画。
卢伟冰剧透发布会彩排:小米17T系列将登场，机器人互动成瞩目亮点
小米17T系列国行版发布会于6月8日14点正式举行，届时将推出小米17T和小米17T Pro两款全新机型。在此前一日，小米集团总裁卢伟冰通过视频公开了发布会主讲人TJ的彩…
AutoAgents – AI Agent 生成框架，自然语言创建和部署LLM智能体
AutoAgents是什么 AutoAgents 是基于大型语言模型（LLM）的自动智能体生成框架，能根据用户设定的目标自动生成多个专家角色的智能体，通过协作完成复杂任务…
OpenUtau – 开源的AI歌声合成工具，自动适配系统语言
OpenUtau是什么 OpenUtau 是开源的歌声合成工具，兼容 UTAU 音源库和重采样器，支持 VSQX 导入、多语言界面及预渲染功能，帮助创作者快速预览作品节省…
告别单轮傻瓜问答！云知声发布原生智能体大模型U2，自主攻克百步复杂工作流
生成式人工智能正在加速从“只会聊天”的问答工具，演变为能够卷起袖子干活的“超级数字员工”。6月8日，云知声（9678.HK）正式发布了新一代通用大语言模型——U2。
TANGLED – 上海科大联合华中科大等推出的3D发型生成方法
TANGLED是什么 TANGLED是上海科技大学、Deemos Technology和华中科技大学联合推出的3D发型生成方法，支持从任意风格和视角的图像中生成高质量的3…
PP-TableMagic – 百度飞桨团队开源的表格识别工具
PP-TableMagic是什么 PP-TableMagic 是百度飞桨团队推出的高性能表格识别工具，用在将图片中的表格结构化信息提取出来，转换为 HTML 等格式，进行…
Open Computer Agent – Hugging Face 推出的免费云端 AI Agent 工具
Open Computer Agent是什么 Open Computer Agent 是 Hugging Face 推出的免费云端 AI Agent 工具。支持在 Lin…
ModelEngine – 华为开源的全流程 AI 开发工具链
ModelEngine是什么 ModelEngine 是华为开源的全流程 AI 开发工具链，围绕数据使能、模型使能和应用使能三大核心功能展开，解决 AI 行业化落地过程中…
BrowseComp – OpenAI 开源的 AI Agent 网络浏览能力基准
BrowseComp是什么 BrowseComp 是 OpenAI 开源的用于评估 AI Agent网络浏览能力的基准测试。包含 1266 个极具挑战性的问题，覆盖电影、…
AVD2 – 清华联合复旦等机构推出的自动驾驶事故视频理解与生成框架
AVD2是什么 AVD2（Accident Video Diffusion for Accident Video Description）是清华大学联合香港科技大学、吉林…
Gemini Robotics – 谷歌 DeepMind 推出的具身智能大模型
Gemini Robotics是什么 Gemini Robotics 是谷歌 DeepMind 推出的基于 Gemini 2.0 的机器人项目，将大型多模态模型的能力引入…
