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 226 / 422 页

GCDance – 萨里大学和江南大学推出的3D舞蹈生成框架

GCDance（Genre-Controlled 3D Full Body Dance Generation Driven by Music）是英国萨里大学和江南大学推出的3D舞蹈生成框架，能根据音乐和文本提示生成符合特定风格的全身舞蹈序列。GCDance结合预训练的音乐基础模型（如Wav2CLIP）提取的高级音乐特征和手工设计的音乐特征（如STFT），实现多粒度音乐特征融合，用CLIP模型将文本提示嵌入到舞蹈生成的每个时间步中，实现风格可控的舞蹈生成。

Proxy – Convergence AI 推出的全自动化 AI 助手

Proxy 是 Convergence AI 推出的全自动化的 AI 助手，通过自然语言交互帮助用户完成各种日常任务。能自动处理日程安排、邮件管理、数据录入等重复性工作，具备实时学习和改进的能力。用户只需用简单的语言描述任务，Proxy 可自动执行，能根据反馈优化性能。

Mistral OCR – Mistral AI 推出的先进光学字符识别工具

Mistral OCR 是 Mistral AI 推出的先进光学字符识别（OCR）工具，专为处理复杂文档而设计。能全面理解文档中的文本、图像、表格和数学公式等元素，支持数千种语言和字体，多语言处理准确率高达99.02%，在基准测试中超越 Google Document AI 和 Azure OCR。

OpenManus – MetaGPT 团队推出的 Manus 开源复刻版

OpenManus 是MetaGPT 团队推出的开源复刻版 Manus，提供无需邀请码的 AI Agent 。OpenManus基于模块化设计，支持多种语言模型和工具链，能执行代码、处理文件、搜索网络信息等复杂任务。OpenManus 的核心优势在于实时反馈机制，用户能直观看到 AI 的思考过程和任务执行进度。

怎么申请Manus邀请码，附Manus邀请码申请技巧

Manus是Monica团队推出的全球首款通用型AI智能体，Manus与传统AI助手不同，能提供建议或答案，直接交付复杂任务的完整成果。 Manus在GAIA基准测试中取得了SOTA（State-of-the-Art，当前最优水平）的成绩，超越了OpenAI的Deep Research等竞品。

TicVoice 7.0 – 出门问问推出的第七代语音合成引擎

TicVoice 7.0 是出门问问推出的第七代高品质 TTS（语音合成）引擎，基于新一代语音生成模型 Spark-TTS 。TicVoice 7.0基于创新的 BiCodec 编码方式，将语音分解为 Global Token 和 Semantic Tokens，实现音色与语义的精准控制，与文本 LLMs 结构高度统一。

tellers.ai – AI视频生成工具，自动分析文本匹配相关素材

tellers.ai 是AI视频生成工具，专注于将文本内容快速转化为高质量视频。用户只需输入文本，平台会自动分析内容从真实视频库中选取相关素材，生成具有吸引力的视频。

Currents AI – AI社媒分析工具，实时监测和分析市场动态

Currents AI 是基于人工智能的社交媒体趋势分析工具，专注于实时监测和分析社交媒体平台上的热门话题、用户情感和市场动态。通过24/7不间断的数据追踪，帮助用户快速捕捉市场趋势、挖掘潜在客户，生成深度报告。

Pinch – AI翻译平台，支持 30 多种语言在视频通话中即时语音翻译

Pinch 是创新的实时 AI 语音翻译视频会议平台，专为打破语言障碍而设计，支持超过 30 种语言的即时语音翻译。提供两种翻译模式：口译模式和同声传译模式，分别支持 38 种和 32 种语言，满足不同场景下的高精度和高效率需求。

混元图生视频 – 腾讯混元开源的图生视频模型

混元图生视频是腾讯混元推出的开源图生视频模型，用户可以通过上传一张图片进行简短描述，让图片动起来生成5秒的短视频。模型支持对口型、动作驱动和背景音效自动生成等功能。模型适用于写实、动漫和CGI等多种角色和场景，总参数量为130亿。

Aya Vision – Cohere 推出多模态、多语言的视觉模型

Aya Vision 是 Cohere 推出的多模态、多语言的视觉模型，提升全球范围内的多语言和多模态通信能力。支持 23 种语言，能执行图像描述生成、视觉问答、文本翻译和多语言摘要生成等任务。

BGE-VL – 智源研究院联合多所高校开源的多模态向量模型

BGE-VL 是北京智源研究院联合多所高校推出的多模态向量模型，基于大规模合成数据 MegaPairs 训练而成。BGE-VL专注于多模态检索任务，如图文检索和组合图像检索，基于高效的多模态数据合成方法提升模型的泛化能力和检索性能。

VDraw – AI信息图表生成工具，自动提取文件关键信息一键生成图表

VDraw是基于AI技术的信息图表生成工具，帮助用户将文字、文件或视频内容快速转化为专业且个性化的视觉内容。用户能对生成的图表进行个性化定制，包括修改颜色、字体、添加图片和品牌标志等。VDraw支持多种内容格式，如文本、PDF、视频等，提供快速分享和嵌入功能。

Spatial-RAG – 埃默里大学等机构推出的空间推理能力框架

Spatial-RAG（Spatial Retrieval-Augmented Generation）是美国埃默里大学、德克萨斯大学奥斯汀分校推出的用在提升大型语言模型（LLMs）空间推理能力的框架。结合稀疏空间检索（基于空间数据库的结构化查询）和密集语义检索（基于LLM的语义相似性匹配），解决LLMs在空间数据处理和推理方面的不足。

如何用AI制作哪吒表情包？ComfyUI工作流喂饭级教程

用AI制作表情包真的太香了，以前一套表情包要做好几周，现在分分钟搞定。接下来给大家分享一下，我用ComfyUI做的最近爆火的哪吒表情包全过程。

Light-R1 – 360智脑开源的长思维链推理模型

Light-R1是360智脑开源的AI模型，专注于数学领域的长思维链推理，具体为 Light-R1-32B。模型基于Qwen2.5-32B-Instruct，用7万条数学数据和两阶段课程学习（SFT+DPO）训练，实现从零超越DeepSeek-R1-Distill-Qwen-32B的性能。

NEXUS-O – 多模态AI模型，实现对语言、音频和视觉全方位感知与交互

NEXUS-O 是HiThink 研究院、英国帝国理工学院、浙江大学、复旦大学、微软、Meta AI等机构推出的多模态AI模型，能实现对语言、音频和视觉信息的全方位感知与交互。NEXUS-O能处理音频、图像、视频和文本的任意组合输入，用音频或文本形式输出结果。

QwQ-32B – 阿里通义千问开源的最新推理模型

QwQ-32B 是阿里巴巴开源的新型推理模型，参数量为 320 亿。基于大规模强化学习（RL）训练，在数学推理、编程等任务上表现出色，性能比肩 6710 亿参数的 DeepSeek-R1 满血版。模型集成智能体能力，根据环境反馈调整推理过程，展现出强大的适应性和推理能力。