工具 · 模型 · 行业动态

AI文章

发现新工具，了解新进展。让每一次阅读，都离用好 AI 更近一步。

7,595篇文章，持续更新

最新文章

第 218 / 422 页

InternVL – OpenGVLab 推出的多模态大模型

InternVL 是上海人工智能实验室 OpenGVLab 推出的多模态大模型，专注于视觉与语言任务。采用 ViT-MLP-LLM 架构，通过视觉模块（如 InternViT）和语言模块（如 InternLM）的融合，实现视觉与语言的深度结合。

Fynix – AI代码助手，具备上下文感知自动补全代码

Fynix 是专注于软件开发生命周期（SDLC）的 AI 工具，基于AI技术提升开发效率和代码质量。Fynix 提供 AI 代码助手、代码质量代理、SRE 代理和安全代理等多种功能，支持主流编程语言和 IDE，与 JIRA 等工具无缝集成。

OLMo 2 32B – Ai2 推出的最新开源语言模型

OLMo 2 32B 是 Allen Institute for AI（Ai2）推出的最新开源语言模型，是 OLMo 2 系列的重要成果。拥有 320 亿参数，是首个在多技能学术基准测试中超越 GPT-3.5-Turbo 和 GPT-4o-mini 的完全开放模型，性能接近 Qwen-2.5-72B 等更大规模模型。

Narakeet – AI文本转语音平台，支持 100 种语言和 800 种声音

Narakeet 是功能强大的在线平台，基于自然语音合成技术快速创建配音和旁白视频。Narakeet支持 100 种语言和 800 种声音，将文本、Word 文档、PPT 演示文稿或字幕文件转换为高质量的音频文件，与视频内容自动同步。

Amadeus Code – AI音乐创作工具，轻触屏幕AI自动生成旋律

Amadeus Code 是基于AI技术的音乐创作工具。基于 AI 算法生成旋律、和弦进程等音乐元素，帮助用户快速创作歌曲初稿，激发创作灵感。Amadeus Code 支持用户免费使用基本功能，包括探索新和弦进程、生成 MIDI 文件等，支持导入到数字音频工作站（DAW）中进一步完善创作。

Stable Virtual Camera – Stability AI 等机构推出的 AI 模型，2D图像转3D视频

Stable Virtual Camera 是 Stability AI 推出的 AI 模型，能将 2D 图像转换为具有真实深度和透视感的 3D 视频。用户可以通过指定相机轨迹和多种动态路径（如螺旋、推拉变焦、平移等）来生成视频。模型支持从 1 到 32 张输入图像生成不同宽高比（如 1:1、9:16、16:9）的视频，最长可达 1000 帧。

ReCamMaster – 浙大联合快手等推出的视频重渲染框架

ReCamMaster 是浙江大学、快手科技等联合推出的视频重渲染框架，能根据新的相机轨迹重新生成视频内容。通过预训练模型和帧维度条件机制，结合多相机同步数据集和相机姿态条件，实现视频视角、运动轨迹的灵活调整。

UniAct – 清华、商汤、北大、上海AI Lab共同推出的具身基础模型框架

UniAct 是新型的具身基础模型框架，解决不同机器人之间行为异构性的问题。通过学习通用行为，捕捉不同机器人共享的原子行为特征，消除因物理形态和控制接口差异导致的行为异构性。

AiSlides.chat – AI PPT 制作工具，对话式交互自动分析生成演示文稿

AiSlides.chat 是基于AI技术的对话式 PPT 制作工具。用户用自然语言输入需求或粘贴现有内容，AI 自动分析生成 PPT 大纲、逐页设计幻灯片，提供实时修改功能。AiSlides.chat 支持智能图表生成、图片管理、主题设置及多种导出格式（如 HTML 和 PPT）。

Instella – AMD开源的30亿参数系列语言模型

Instella是AMD推出的系列30亿参数的开源语言模型。模型完全从零开始在AMD Instinct™ MI300X GPU上训练而成，基于自回归Transformer架构，包含36个解码器层和32个注意力头，支持最长4096个标记的序列。

Multi-Speaker – AudioShake 推出的多说话人声分离模型

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难题。Multi-Speaker适用于多种场景，先进神经架构支持高采样率，适合广播级音频，支持处理长达数小时的录音，在高重叠和低重叠场景，保持一致的分离效果，为音频编辑和创作带来革命性变革。

Dify-Plus – 基于 Dify 二次开发的企业级增强版项目

Dify-Plus 是基于 Dify 二次开发的企业级增强版项目，集成基于 gin-vue-admin 的管理中心。Dify-Plus在 Dify 基础上新增用户额度、密钥额度、Web 公开页登录鉴权、应用中心等功能，优化了权限管理，适合企业场景使用。

GR00T N1 – 英伟达开源的人形机器人基础模型

GR00T N1 是英伟达推出的全球首个开源基础模型，专为通用人形机器人设计。基于多模态输入（如语言和图像）实现多样化环境中的操作任务。GR00T N1 基于大规模人形机器人数据集训练，结合真实数据、合成数据和互联网视频数据，用后训练适应特定机器人形态、任务和环境。GR00T N1 基于双系统架构，视觉-语言模型负责推理和规划，扩散变换器则生成精确动作。

UniFluid – 谷歌联合麻省理工推出的多模态图像生成与理解框架

UniFluid 是谷歌 DeepMind 和麻省理工学院联合推出的，统一的自回归框架，用在联合视觉生成和理解任务。基于连续视觉标记处理多模态图像和文本输入，生成离散文本标记和连续图像标记。框架基于预训练的 Gemma 模型，用配对的图像-文本数据训练，让生成和理解任务相互促进。UniFluid 基于标准的 SentencePiece 作为文本标记器，用连续变分自编码器（VAE）作为图像生成的标记器，结合 SigLIP 图像编码器用在理解任务。

wcplusPro – 微信公众号数据采集和分析工具

wcplusPro 是专业的微信公众号数据采集和分析工具，支持 Windows、macOS 和 Linux 系统，免安装、解压即用。wcplusPro支持采集任意公众号的历史文章及多种阅读数据，包括标题、内容、阅读量等，提供高效的数据管理功能，支持百万级别文章的快速检索与排序。

TokenFD – 上海交大联合美团推出的细粒度图文对齐基础模型

TokenFD是上海交通大学联合美团推出的细粒度图文对齐基础模型，主要用于文档理解任务。通过Token级对齐，实现了图像Token与语言Token在同一特征空间中的共享，支持Token级图文交互，在处理包含密集文字的图像时表现突出。

SmolDocling – 轻量级的多模态文档处理模型

SmolDocling（SmolDocling-256M-preview ）是高效轻量级的多模态文档处理模型。能将文档图像端到端地转换为结构化文本，支持文本、公式、图表等多种元素识别，适用于学术论文、技术报告等多类型文档。

LangManus – AI自动化框架，多智能体协同完成复杂任务

LangManus 是 AI 自动化框架，基于分层多智能体系统设计。包含多种智能体，如协调员、规划员、研究员、程序员等，各司其职，协同完成复杂任务。框架支持多种开源语言模型，如通义千问，兼容 OpenAI API 接口，能根据任务复杂度灵活调用不同层级的模型。