VimTS，一种先进的文本检测工具，专门设计用于同时处理视频和图像中的文本。它通过一种新的方法来提高视频和图像 […]
RAFT（Retrieval Augmented Fine-tuning）是一种新的技术方法，用于改善大语言模 […]
OpenAI 刚刚发布了 GPT-4o，这是一种新的人工智能模式，集合了文本、图片、视频、语音的全能模型。 能 […]
混元DiT是腾讯推出的一款先进的文本到图像生成模型，它基于扩散变换器（Diffusion Transforme […]
Google 在其 2024 年 Google I/O 大会上发布的搜索中引入生成式 AI 的新功能。这些功能 […]
PaliGemma是一个开放的视觉语言模型（VLM），受PaLI-3启发，基于SigLIP视觉模型和Gemma […]
苹果公司今天宣布将于今年晚些时候推出新的辅助功能，其中包括眼动追踪（Eye Tracking）、音乐触感（Mu […]
通过手持式夹持器和精心设计的接口进行数据收集。 UMI可以将人类在复杂环境下的操作技能直接转移给机器人，无需人 […]
ReCap是一个创新的递归式视频字幕模型，能够自动分析视频内容，并在不同的时间层级上（如短片段、中等长度段落和 […]
Genie能够从单一图像提示生成无限种可玩（即可通过行动控制的）游戏场景。 这些图像可以是合成图像、真实照片， […]
OpenCodeInterpreter与之前的代码解释器不同的是，它不仅可以生成代码，还能根据人类的反馈学习如 […]
STORM（Synthesis of Topic Outlines through Retrieval and […]
MeloTTS是MyShell.ai开发的一个高质量的多语言文本到语音（TTS）库。它支持英语、西班牙语、法语 […]
一个开源的「贴纸生成器」 输入文字提示，即可在几秒钟生成一个精美的贴纸 Support authors and […]
MobiLlama：一个0.5B大小 能在手机上运行的小型语言模型 该模型基于LLaMA-7B架构设计，旨 […]
通过根据给定的文本提示、和弦序列、旋律线索、音乐主题或形式等条件。 ChatMusician能自动生成结构 […]
该项目由阿里巴巴开发，利用单张图像和音频输入（如说话或唱歌），EMO能够生成具有表情变化和头部动态的虚拟人像视 […]
AutoPrompt 是一个专为优化提示而设计的框架，目的是改善和完善在真实世界应用场景中使用的提示。这个框架 […]
StarCoder2拥有三种不同规模的模型，参数量分别为3B、7B和15B。特别地，15B参数的StarCod […]
LTX Studio是一个创新的平台，通过整合人工智能技术与视频制作过程，为创意人士提供了从概念构思到最终编辑 […]
Morph Studio最近引入了一个创新的工具，允许用户将Stability AI生成的视频片段编织成一部电 […]
Chat-With-MLX是利用苹果MLX Framework实现的一个高效、多语言支持进行检索增强生成（RA […]
Concordia是由Google DeepMind开发的一个创新性工具 它利用大语言模型可以构建和模拟具 […]
由于东南亚（SEA）地区语言多种多样，大多数现有的模型无法满足该地区需求。 Sailor基于Qwen 1. […]
兄弟们，你猜我发现了什么 原来OpenAI 3年前就开始搞AI音乐生成了 OpenAI在2019年8月 […]
OLMo（Open Language Model）与其他开源语言模型的不同之处在于其“完全开放的框架”。 […]
在文本到图像生成的领域中，精确渲染特定元素（如独特字符或风格）是一大挑战。现有的方法在有效组合多个低秩适应（L […]
OpenReplay：用户操作记录回放 OpenReplay是一个自托管的会话回放和分析的开源工具，可以让 […]
Easy Scraper 是一个在Chrome 免费网页抓取扩展，只需一次点击从任何网站抓取数据。使得数据抓取 […]
它可以将屏幕截图转换为干净的代码，支持HTML/Tailwind CSS、React、Bootstrap或Vu […]
VimTS，一种先进的文本检测工具，专门设计用于同时处理视频和图像中的文本。它通过一种新的方法来提高视频和图像 […]