AI文章
AI文章
整理 AI 项目、模型、工具和行业动态，给出更容易读懂的背景与使用参考。
内容精选
最新 AI 文章
Voila – 开源端到端语音大模型，实现低延迟语音对话
Voila 是开源的端到端语音大模型，专为语音交互而设计。具备高保真、低延迟的实时流式音频处理能力，能直接处理语音输入并生成语音输出，为用户提供流畅且自然的交互体验。
阅读全文Granite 4.0 Tiny Preview – IBM推出的语言模型
Granite 4.0 Tiny Preview 是 IBM 推出的 Granite 4.0 语言模型家族中最小的模型的预览版本。Granite 4.0 Tiny Preview用极高的计算效率和紧凑的模型结构为特点，在消费级 GPU 上能运行多个长上下文（128K）任务，性能接近 Granite 3.3 2B Instruct，内存需求减少约 72%。
阅读全文QLIP – 英伟达推出的视觉标记化方法
QLIP（Quantized Language-Image Pretraining）是英伟达等推出的视觉标记化方法，结合高质量的图像重建和零样本图像理解能力。QLIP二进制球形量化（BSQ）的自编码器进行训练，同时优化重建目标和语言-图像对齐目标。
阅读全文D-DiT – 耶鲁大学联合字节Seed等机构推出的多模态扩散模型
D-DiT（Dual Diffusion Transformer）是卡内基梅隆大学、耶鲁大学和字节跳动Seed实验室推出的多模态扩散模型，能统一图像生成和理解任务。模型结合连续图像扩散（流匹配）和离散文本扩散（掩码扩散），基于双向注意力机制同时训练图像和文本模态。
阅读全文UniTok – 字节联合港大、华中科技推出的统一视觉分词器
UniTok 是字节跳动联合香港大学和华中科技大学推出的统一视觉分词器，能同时支持视觉生成和理解任务。基于多码本量化技术，将视觉特征分割成多个小块，每块用独立的子码本进行量化，极大地扩展离散分词的表示能力，解决传统分词器在细节捕捉和语义理解之间的矛盾。
阅读全文ICEdit – 浙江大学联合哈佛大学推出的指令式图像编辑框架
ICEdit（In-Context Edit）是浙江大学和哈佛大学推出的指令式图像编辑框架。基于大规模扩散变换器（Diffusion Transformer）的强大生成能力和上下文感知能力，用自然语言指令对图像进行精准编辑。
阅读全文kimi-thinking-preview – 月之暗面推出的多模态思考模型
kimi-thinking-preview 是月之暗面推出的多模态思考模型，具备深度推理能力，擅长解决复杂问题，如代码、数学和工作难题。模型基于 reasoning_content 字段展示推理过程，帮助用户理解回答背后的逻辑。
阅读全文ReasonIR-8B – Meta AI 推出专为推理密集型检索任务设计的模型
ReasonIR-8B 是 Meta AI 推出的专为推理密集型检索任务设计的模型。基于 LLaMA3.1-8B 训练，采用双编码器架构，将查询和文档分别编码为嵌入向量，通过余弦相似度评分。
阅读全文Text2CAD – AI辅助设计平台，将文本描述设计要求转为高精度CAD模型
Text2CAD 是创新的在线平台，通过人工智能技术将自然语言描述快速转化为专业 CAD 模型。用户只需用简单的语言描述设计想法，如尺寸、形状和功能要求，Text2CAD 的 AI 引擎可在几秒内生成高精度的 CAD 模型，支持 STL、OBJ、STEP 等多格式导出。
阅读全文ACE-Step – ACE Studio联合阶跃星辰开源的音乐生成基础模型
ACE-Step 是 ACE Studio 和 StepFun 联合推出的开源音乐生成基础模型，基于创新的架构设计实现高效、连贯且可控的音乐创作。ACE-Step结合扩散模型、深度压缩自编码器（DCAE）和轻量级线性变换器，能在短时间内生成高质量的音乐作品，速度比传统 LLM 模型快 15 倍。
阅读全文Pixelfox – 免费AI图片编辑工具，支持AI背景移除、换脸、增强等功能
Pixelfox 是免费的在线图片编辑工具，基于AI技术简化图片编辑过程。Pixelfox 提供多种功能，如背景移除、对象移除、图片增强、AI 修复、换脸、图片扩展和图像生成等。
阅读全文Hula – AI视频生成工具，可将静态照片转换为动态视频
Hula 是 Prequel Inc. 推出的 AI 视频生成工具，通过简单操作将用户的静态照片或视频转换为创意内容。用户可以通过上传照片，变成动态视频，例如模拟在巴黎漫步或时尚杂志拍摄的场景。
阅读全文Omni Reference – Midjourney V7推出的图像参考功能
Omni Reference 是 Midjourney 推出的全能参考功能，支持用户将特定的人物、物体或场景从参考图像中嵌入到生成的图像中。Omni Reference 适用于Midjourney V7 版本，支持个性化、风格化和情绪板等功能。
阅读全文3DV-TON – 阿里达摩院联合浙大等推出的视频虚拟试穿框架
3DV-TON（Textured 3D-Guided Consistent Video Try-on via Diffusion Models）是阿里巴巴达摩院、湖畔实验室和浙江大学联合推出的基于扩散模型的视频虚拟试穿框架，能解决现有方法在处理复杂服装图案和多样化人体姿态时生成效果不佳的问题。
阅读全文Cobra – 清华、港中文和腾讯开源的漫画线稿上色框架
Cobra（Efficient Line Art COlorization with BRoAder References）是清华大学、香港中文大学和腾讯ARC实验室推出的漫画线稿上色框架，专为高精度、高效率和灵活的工业应用设计。框架整合超过200张参考图像，用因果稀疏注意力（Causal Sparse Attention）和局部可复用位置编码技术，有效管理长上下文信息，确保颜色一致性和身份保留。
阅读全文VoiceCanvas – 开源AI语音合成平台，支持多语言、多音色、声音克隆服务
VoiceCanvas 是开源的多语言语音合成平台。基于 AI 技术提供高质量的文字转语音服务，支持超过 50 种语言，集成 OpenAI TTS、AWS Polly 和 MiniMax 等多种语音服务。VoiceCanvas 提供个人声音克隆功能，用户上传几秒音频样本即可创建个性化声音。
阅读全文Paper2Code – AI论文自动转为代码的多智能体框架
Paper2Code 是韩国科学技术院和DeepAuto.ai联合推出的多 Agent 大语言模型（LLM）框架，支持将机器学习领域的科学论文自动转换为可运行的代码仓库。
阅读全文T2I-R1 – 港中文联合上海AI Lab推出文生图模型
T2I-R1 是香港中文大学和上海AI Lab联合推出的新型文本生成图像模型。基于引入双层推理机制，语义级链式思维（CoT）和 Token 级 CoT，实现高层次图像规划与低层次像素生成的解耦，显著提升图像生成的质量和鲁棒性。
阅读全文