Emotion-LLaMA – 多模态情绪识别与推理模型，融合音频、视觉和文本输入
Emotion-LLaMA是什么 Emotion-LLaMA是多模态情绪识别与推理模型，融合了音频、视觉和文本输入，通过特定情绪编码器整合信息。模型基于修改版LLaMA，经指令调整以提升情感识别能力...
排序
RealtimeSTT – AI实时语音转文本库，自动检测说话的开始与结束
RealtimeSTT是什么 RealtimeSTT是开源的实时语音转文本库，专为低延迟应用设计。有强大的语音活动检测功能，可自动识别说话的开始与结束，通过WebRTCVAD和SileroVAD进行精...
PaSa – 字节跳动推出的学术论文检索智能体
PaSa是什么 PaSa是字节跳动研究团队（ByteDance Research）推出的基于强化学习的学术论文检索智能体。能模仿人类研究者的行为，自动调用搜索引擎、浏览相关论文并追踪引文网络，为用户提...
OpenDeepResearcher – 开源 AI 研究工具，自动完成搜索、评估、提取和报告生成
OpenDeepResearcher是什么 OpenDeepResearcher 是开源的 AI 研究工具，能帮助用户高效地完成复杂的信息查询和分析任务。基于迭代搜索和推理，自动从网络中获取相关数据...
WorldSense – 小红书联合上海交大推出的多模态全面评测新基准
WorldSense是什么 WorldSense是小红书和上海交通大学推出的，用在评估多模态大型语言模型（MLLMs）在现实世界场景中对视觉、听觉和文本输入的综合理解能力的基准测试。WorldSens...
Data Formulator – 微软研究院开源的 AI 数据可视化工具
Data Formulator是什么 Data Formulator是微软研究院推出的开源 AI 驱动的数据可视化工具，帮助用户通过简单交互和指令快速创建丰富的数据可视化。结合了图形化用户界面（GUI...
TokenSwift – 超长文本生成加速框架，90分钟内生成10万Token文本
TokenSwift是什么 TokenSwift 是北京通用人工智能研究院团队推出的超长文本生成加速框架，能在90分钟内生成10万Token的文本，相比传统自回归模型的近5小时，速度提升了3倍，生成质...
Muyan-TTS – 开源文本转语音模型，零样本语音合成
Muyan-TTS是什么 Muyan-TTS 是为播客场景设计的开源文本转语音（TTS）模型。模型预训练超过10万小时的播客音频数据，能实现零样本语音合成，无需大量目标说话人的语音数据可生成高质量语音...
XMusic – 腾讯多媒体实验室自主研发的AI通用作曲框架
XMusic是什么 XMusic是腾讯多媒体实验室自主研发的AI通用作曲框架。用户只需上传视频、图片、文字、标签、哼唱等任意内容，XMusic能生成情绪、曲风、节奏可控的高质量音乐。基于自研的多模态和...
LLaVA-Rad – 微软推出的小型多模态模型，专注于临床放射学报告生成
LLaVA-Rad是什么 LLaVA-Rad是微软研究院推出的小型多模态模型，专注于临床放射学报告生成。是LLaVA-Med项目的分支，特别是胸部X光（CXR）成像。基于LLaVA-Med的基础架构和...