Qwen2vl-Flux – 开源的多模态图像生成模型，支持多种生成模式
Qwen2vl-Flux是什么 Qwen2VL-Flux是多模态图像生成模型，结合Qwen2VL的视觉语言理解和FLUX框架，基于文本提示和图像参考生成高质量的图像。模型支持多种生成模式，包括变体生成...
排序
MVGenMaster – 复旦联合阿里等实验室推出的多视图扩散模型
MVGenMaster是什么 MVGenMaster是复旦大学、阿里巴巴达摩院和湖潘实验室共同推出的多视图扩散模型，基于增强3D先验处理多样化的新视角合成（NVS）任务。模型基于度量深度和相机姿态扭曲...
Fish Speech 1.5 – Fish Audio 推出的语音合成模型，支持13种语言
Fish Speech 1.5是什么 Fish Speech 1.5 是Fish Audio 推出的文本到语音（TTS）模型，基于深度学习技术如Transformer、VITS、VQVAE和GPT等...
VE-Bench – 北京大学开源首个针对视频编辑质量评估的新指标
VE-Bench是什么 VE-Bench 是北京大学的研究团队 MMCAL 最近发布首个专门针对视频编辑质量评估的指标。VE-Bench 的设计目标是与人类感知能力高度一致，更准确地评估视频编辑效果...
Janus-Pro – DeepSeek 开源的统一多模态模型
Janus-Pro是什么 Janus-Pro是 DeepSeek 推出的开源AI模型，支持图像理解和图像生成，提供 1B 和 7B 两种规模，适配多元应用场景。通过改进的训练策略、扩展的数据集和更大规...
VideoGrain – 悉尼科技大学和浙大推出的视频编辑框架
VideoGrain是什么 VideoGrain 是悉尼科技大学和浙江大学推出的零样本多粒度视频编辑框架，能实现类别级、实例级和部件级的精细视频修改。VideoGrain基于调节时空交叉注意力和自注意...
MT-TransformerEngine – 摩尔线程开源的高效训练与推理优化框架
MT-TransformerEngine是什么 MT-TransformerEngine 是摩尔线程开源的高效训练与推理优化框架，专为 Transformer 模型设计。框架通过算子融合、并行加速等技...
混元3D v2.5 – 腾讯推出的最新版 3D 生成模型
混元3D v2.5是什么 混元3D v2.5是腾讯推出的新一代3D生成模型，在建模精细度上大幅提升，总参数量从1B提升至10B，有效面片数增加超10倍，有效几何分辨率达到1024，实现超高清的几何细节...
NLWeb – 微软推出支持自然语言与任何网站交互的开源项目
NLWeb是什么 NLWeb 是微软推出的开源项目，基于简化网站自然语言界面的创建，让任何网站都能变成 AI 驱动的应用程序。NLWeb用 Schema.org、RSS 等半结构化数据，结合 LLM ...
ChatDLM – Qafind Labs推出的全球最快扩散语言模型
ChatDLM是什么 ChatDLM是 Qafind Labs推出的全球最快扩散语言模型，核心定位是突破传统Transformer架构在长上下文处理与推理效率上的瓶颈。模型融合了“区块扩散（Block...