NVLM – 英伟达推出的多模态大型语言模型
NVLM是什么 NVLM是NVIDIA推出的前沿多模态大型语言模型（LLMs），在视觉-语言任务上达到与顶尖专有模型（如GPT-4o）和开放访问模型（如Llama 3-V 405B和InternVL ...
排序
Promptriever – 信息检索模型，支持自然语言提示响应用户搜索需求
Promptriever是什么 Promptriever 是约翰斯·霍普金斯大学和Samaya AI联合推出的新型检索模型，能像语言模型一样接受自然语言提示，用直观的方式响应用户的搜索需求。Promp...
LongLLaVA – 香港中文大学推出的多模态上下文混合架构大语言模型
LongLLaVA是什么 LongLLaVA是的多模态大型语言模型（MLLM），是香港中文大学（深圳）的研究人员推出。基于混合架构，结合Mamba和Transformer模块，提高处理大量图像数据的效...
Devika – 开源的AI编程工具，理解和执行复杂的人类指令
Devika 是什么 Devika是开源的AI编程工具，能理解并拆分复杂指令，基于集成AI搜索和网页浏览能力搜集信息，编写代码实现目标。Devika支持多种AI模型，具备高级规划推理能力，能进行上下文...
iDP3 – 斯坦福大学联合多所高校推出的改进型3D视觉运动策略
iDP3是什么 iDP3（Improved 3D Diffusion Policy）是斯坦福大学联合多所高校推出的改进型3D视觉运动策略(如三维扩散策略)，提升人形机器人在多样化环境中的自主操作能力...
Proactive Agent – 清华联合面壁智能开源的新一代主动Agent交互范式
Proactive Agent是什么 Proactive Agent是清华大学联合面壁智能等团队推出的新一代主动Agent交互范式 ，具备主动性，能预测用户需求并在没有直接指令的情况下采取行动。Pro...
EMOVA – 华为诺亚方舟联合多所高校共同推出的多模态全能处理模型
EMOVA是什么 EMOVA（EMotionally Omni-present Voice Assistant）是多模态全能模型，是香港科技大学、香港大学和华为诺亚方舟实验室等机构共同推出的。EMOV...
OminiControl – AI图像生成框架，实现图像主题控制和空间精确控制
OminiControl是什么 OminiControl是高度通用且参数高效的图像生成框架，为扩散变换器模型如FLUX.1设计，实现对图像生成过程的精细控制。OminiControl支持主题驱动控制和...
Talker-Reasoner – 谷歌DeepMind推出的双思维AI代理架构
Talker-Reasoner是什么 Talker-Reasoner是谷歌DeepMind推出的双思维AI代理架构，借鉴人类的认知理论，将代理分为两个模块：Talker和Reasoner。Talker...
Diffusion Self-Distillation – 斯坦福大学推出的零样本定制图像生成技术
Diffusion Self-Distillation是什么 Diffusion Self-Distillation（扩散自蒸馏，简称DSD）是斯坦福大学吴佳俊团队推出的零样本定制图像生成技术，用预训...