Mini DALL·E 3 – 北京理工联合上海 AI Lab等高校推出的交互式文生图框架
Mini DALL·E 3是什么 Mini DALL·E 3 是北京理工大学、上海AI Lab、清华大学和香港中文大学联合推出的交互式文本到图像（iT2I）框架。基于自然语言与用户进行多轮对话，实现高...
排序
Index-AniSora – B站开源的动漫视频生成模型
Index-AniSora是什么 Index-AniSora 是哔哩哔哩开源的先进动漫视频生成模型，模型支持一键生成多种动漫风格的视频，涵盖番剧片段、国创动画、VTuber 内容等。模型包含超过 10...
GLM-PC – 智谱推出的电脑智能体，基于CogAgent视觉多模态模型构建
GLM-PC是什么 GLM-PC是智谱推出的基于多模态大模型CogAgent的电脑智能体。能像人类一样“观察”和“操作”计算机，协助用户高效完成各类电脑任务，如文档处理、网页搜索、信息整理、社交互动等...
FreeScale – 无需微调的推理框架，提升扩散模型生成能力首次实现8K分辨率图像
FreeScale是什么 FreeScale是南洋理工大学、阿里巴巴集团和复旦大学推出无需微调的推理框架，提升预训练扩散模型生成高分辨率图像和视频的能力。FreeScale基于处理和融合不同尺度的信息...
VideoJAM – Meta 推出增强视频生成模型运动连贯性的框架
VideoJAM是什么 VideoJAM是Meta推出的，用在增强视频生成模型运动连贯性的框架。基于引入联合外观-运动表示，让模型在训练阶段同时学习预测视频的像素和运动信息，在推理阶段基于模型自身的运...
WiseDiag – 杭州智诊科技推出全球领先的医疗大模型
WiseDiag是什么 WiseDiag 是杭州智诊科技推出的全球领先的医疗大模型，专注于基于人工智能技术提升医疗服务的效率和质量。模型具有 730 亿参数和 32k 的上下文长度，基于超过 3 万亿...
LLaDA – 人大高瓴AI联合蚂蚁推出的扩散大语言模型
LLaDA是什么 LLaDA（Large Language Diffusion with mAsking）是中国人民大学高瓴AI学院李崇轩、文继荣教授团队和蚂蚁集团共同推出的新型大型语言模型，基于扩散...
Multi-Speaker – AudioShake 推出的多说话人声分离模型
Multi-Speaker是什么 Multi-Speaker是AudioShake推出的全球首个高分辨率多说话人分离模型。支持将音频中的多个说话人精准分离到不同轨道，解决传统音频工具在处理重叠语音时的...
Dolphin – 清华联合海天瑞声推出的语音识别大模型
Dolphin是什么 Dolphin是清华大学电子工程系语音与音频技术实验室联合海天瑞声共同推出的面向东方语言的语音大模型。支持40个东方语种的语音识别，中文语种涵盖22种方言（含普通话），能精准识别...
Infinity – 字节跳动推出的高分辨率图像生成模型
Infinity是什么 Infinity是字节跳动推出的基于位级自回归建模的视觉生成模型，能根据语言指令生成高分辨率、逼真的图像。Infinity通过无限词汇量的标记器、分类器和位自纠正机制，显著提升...