AI文章

读懂模型与应用的新进展，找到值得尝试的 AI 实践。

7,595篇文章，持续更新

2026.10.18

Agentic Reasoning – 牛津大学推出增强LLM推理能力的框架

Agentic Reasoning是牛津大学推出的增强大型语言模型（LLM）推理能力的框架。基于整合外部工具（如网络搜索、代码执行和结构化记忆）解决复杂的多步骤推理问题。Agentic Reasoning核心思想是让LLM在推理过程中动态调用外部代理（如Mind Map代理、网络搜索代理和代码代理），实时检索信息、执行计算分析和组织复杂逻辑关系。

2026.10.18

Qihoo-T2X – 360 AI 研究院和中山大学开源的高效多模态生成模型

Qihoo-T2X 是360 AI 研究院和中山大学推出的基于代理标记化扩散 Transformer（PT-DiT）的高效多模态生成模型，Qihoo-T2X引入稀疏代理标记注意力机制，显著降低传统扩散 Transformer 在全局自注意力计算中的冗余性，结合窗口注意力和移位窗口注意力增强细节建模能力。

2026.10.18

DragAnything – 快手联合浙大等机构开源的可控视频生成方法

DragAnything 是快手联合浙江大学和新加坡国立大学 Show Lab推出的，基于实体表示的可控视频生成方法，基于简单的轨迹输入实现对视频中任意物体的精确运动控制。DragAnything用扩散模型的潜在特征表示视频中的每个实体，克服传统方法中单纯拖动像素点无法精确控制物体运动的局限性。

2026.10.18

TIGER – 清华大学推出的轻量级语音分离模型

TIGER（Time-frequency Interleaved Gain Extraction and Reconstruction Network）是清华大学研究团队提出的轻量级语音分离模型，通过时频交叉建模策略，结合频带切分和多尺度注意力机制，显著提升了语音分离的效果，降低了参数量和计算量。

2026.10.18

CustomVideoX – 中科大联合浙大等推出的个性化视频生成框架

CustomVideoX 是中科大和浙大等联合提出的创新的个性化视频生成框架，通过参考图像和文本描述生成高质量的定制化视频。框架基于视频扩散变换器（Video Diffusion Transformer），通过零样本学习的方式，仅训练 LoRA 参数来提取参考图像特征，实现高效的个性化视频生成。

2026.10.18

ColorJoyful – 在线AI填色工具，输入关键词生成个性化着色页

ColorJoyful 是基于人工智能的在线填色工具，帮助用户快速生成高质量的着色页，释放想象力，创造充满活力的艺术作品。通过先进的AI技术，将简单的轮廓图转换为丰富多彩的图像，适合各个年龄段的用户。

2026.10.18

ENEL – 上海 AI Lab 推出的无编码器3D大型多模态模型

ENEL（Exploring the Potential of Encoder-free Architectures in 3D LMMs）是创新的无编码器3D大型多模态模型（3D LMM），解决传统编码器架构在3D理解任务中的局限性。ENEL通过去除3D编码器，直接将点云数据转换为离散的点标记，与文本标记拼接后输入到大型语言模型（LLM）中。

2026.10.18

涌墨 – AI文档编写平台，智能解析关键信息生成文档内容

涌墨是智能文档编写平台，为用户提供全流程、智能化、高质量的文档生成解决方案。通过一站式文档工作流，以项目为单位管理文档，覆盖全业务流程，帮助用户高效完成文档编写任务。平台提供25类符合软件行业国标的文档模板，支持智能解析功能清单树图，确保文档内容连贯性，避免信息重复和遗漏。

2026.10.18

BAG – 港中文联合腾讯推出的3D可穿戴资产生成技术

BAG（Body-Aligned 3D Wearable Asset Generation）是香港中文大学和腾讯联合提出创新的3D可穿戴资产生成技术，通过结合多视图图像扩散模型和控制网络（ControlNet），运用人体形状和姿态信息，自动生成与人体完美适配的3D可穿戴资产，如服装和配饰。

2026.10.18

AnyCharV – 港中文联合清华等机构推出的角色可控视频生成框架

AnyCharV 是香港中文大学、清华大学深圳国际研究生院、香港大学联合推出的角色可控视频生成框架，能将任意参考角色图像与目标驱动视频相结合，生成高质量的角色视频。AnyCharV基于两阶段训练策略实现精细到粗略的引导：第一阶段用细粒度分割掩码和姿态信息进行自监督合成；第二阶段用自增强训练和粗粒度掩码优化角色细节保留。

2026.10.18

PIKE-RAG – 微软亚洲研究院推出的检索增强型生成框架

PIKE-RAG（sPecIalized KnowledgE and Rationale Augmented Generation）是微软亚洲研究院推出的检索增强型生成框架，能解决传统RAG系统在复杂工业应用中的局限性。PIKE-RAG基于提取、理解和应用专业知识，构建连贯的推理逻辑，引导大型语言模型（LLM）生成准确的回答。

2026.10.18

通古大模型 – 华南理工大学推出的古籍大语言模型

通古大模型是华南理工大学深度学习与视觉计算实验室（SCUT-DLVCLab）推出的专注于古籍文言文处理的人工智能语言模型。基于百川2-7B-Base进行增量预训练，使用24.1亿古籍语料进行无监督训练，结合400万古籍对话数据进行指令微调。

2026.10.18

Collaborative Gym – 支持人与AI代理实时交互协作的评估框架

Collaborative Gym（Co-Gym）是专注于人机协作（Human-Agent Collaboration）的框架，支持人类与AI代理之间的实时交互与协作。通过模拟和真实两种实验条件，支持开发者在受控环境中进行迭代开发，同时能在真实场景中部署和评估协作效果。

2026.10.18

KTransformers – 清华开源的大语言模型推理优化框架

KTransformers是清华大学KVCache.AI团队联合趋境科技推出的开源项目，能优化大语言模型的推理性能，降低硬件门槛。KTransformers基于GPU/CPU异构计算策略，用MoE架构的稀疏性，支持在仅24GB显存的单张显卡上运行DeepSeek-R1、V3的671B满血版，预处理速度最高达到286 tokens/s，推理生成速度最高能达到14 tokens/s。