AI文章
模型进展、开源项目和 AI 工具教程，读懂新东西能帮你做什么。
已收录 7,595 篇
文章列表，第 257 页
VideoLLaMA3 – 阿里达摩院推出的多模态基础模型
VideoLLaMA3 是阿里巴巴开源的前沿多模态基础模型，专注于图像和视频理解。基于 Qwen 2.5 架构，结合了先进的视觉编码器（如 SigLip）和强大的语言生成能力，能高效处理长视频序列，支持多语言的视频内容分析和视觉问答任务。
CogView4 – 智谱开源的AI文生图模型，支持生成汉字
CogView4 是智谱推出的开源文生图模型，具有60亿参数，支持原生中文输入和中文文字生成。模型在 DPG-Bench 基准测试中综合评分排名第一，达到开源文生图模型的最先进水平（SOTA）。
CogVideoX-2 – 智谱 AI 推出的文本到视频生成模型
CogVideoX-2 是智谱 AI开源的文本到视频生成模型，基于先进的 3D 变分自编码器（VAE），将视频数据压缩到原本的 2%，减少资源使用，同时确保视频帧之间的连贯流畅。 通过独特的 3D 旋转位置编码技术，视频在时间轴上能够自然流动，赋予画面生命力。
Baichuan-M1-14B – 百川智能推出的行业首个开源医疗增强大模型
Baichuan-M1-14B是百川智能推出的行业首个开源医疗增强大模型，医疗能力超越了更大参数量的Qwen2.5-72B，与o1-mini相差无几。专为医疗场景优化，同时具备强大的通用能力。模型基于 20 万亿 token 的高质量医疗与通用数据训练，涵盖 20 多个医疗科室的细粒度专业知识。
TokenVerse – DeepMind等机构推出的多概念个性化图像生成方法
TokenVerse 是基于预训练文本到图像扩散模型的多概念个性化图像生成方法。能从单张图像中解耦复杂的视觉元素和属性，从多张图像中提取概念进行无缝组合生成。支持多种概念，包括物体、配饰、材质、姿势和光照等，突破了现有技术在概念类型或广度上的限制。
Baichuan-M1-preview – 百川智能推出的国内首个全场景深度思考模型
Baichuan-M1-preview 是百川智能推出的国内首个全场景深度思考模型。模型具备语言、视觉和搜索三大领域的推理能力，在数学、代码等多个权威评测中表现优异，超越了o1-preview等模型。核心亮点是解锁了“医疗循证模式”，通过自建的亿级条目循证医学知识库，能快速、精准地回答医疗临床和科研问题。
Junie – JetBrains 推出的 AI 编程助手，自主完成代码编写、测试、检查
Junie 是 JetBrains 推出的AI编程助手，通过 AI 技术帮助开发者更高效地完成编程任务。能理解项目上下文，提供智能代码补全、多行代码生成、单元测试生成等功能。Junie 支持跨语言开发，可一键将代码转换为不同语言。
跃问创意板 – 跃问APP推出的AI应用与游戏生成工具
跃问创意板是跃问App上线的国内首个面向普通用户的应用与游戏生成工具。用户只需通过简单的自然语言描述需求，可快速生成小游戏、互动网页、可视化图表等多种创意内容。基于阶跃星辰的自研多模态大模型，能实现高效的代码生成和即时反馈。
魔力设 – AI设计工具，一键智能抠图和生成PPT
魔力设是高效便捷的在线设计平台，专注于为用户提供一站式的设计解决方案。集成了丰富的版权素材库和强大的在线编辑功能，涵盖海报、展板、邀请函、PPT等多种设计模板，满足不同场景的设计需求。
Recap – AI内容管理工具，支持对网页、PDF、视频内容进行总结与分析
Recap是基于先进大型语言模型（LLMs）开发的智能工具，旨在帮助用户快速理解和总结各类内容。基于强大的AI技术，能处理文本、网页、PDF、视频，提取关键信息并生成简洁明了的总结，同时支持多语言翻译和内容创作。
AIVLOG – AI视频剪辑工具，自动识别视频中的精彩片段
AIVLOG是专为视频创作者设计的AI智能视频编辑工具，通过自动化技术帮助用户快速制作高质量的Vlog。能自动识别视频中的精彩片段，精准剪辑并生成专业级的视频内容。
Operator – OpenAI推出的AI智能体，能推理、联网自主执行任务
Operator是OpenAI推出的首款AI智能体。能像人类一样操作网页浏览器的AI工具，可以自动完成各种在线任务，如预订餐厅、购买机票、填写表单等。Operator基于Computer-Using Agent（CUA）的新模型驱动，模型结合了GPT-4o的视觉能力和强化学习的高级推理能力。
PaSa – 字节跳动推出的学术论文检索智能体
PaSa是字节跳动研究团队（ByteDance Research）推出的基于强化学习的学术论文检索智能体。能模仿人类研究者的行为，自动调用搜索引擎、浏览相关论文并追踪引文网络，为用户提供精准、全面的学术论文检索结果。
EMO2 – 阿里研究院推出的音频驱动头像视频生成技术
EMO2 （End-Effector Guided Audio-Driven Avatar Video Generation）是阿里巴巴智能计算研究院开发的音频驱动头像视频生成技术，全称为“末端效应器引导的音频驱动头像视频生成”。通过音频输入和一张静态人像照片，生成富有表现力的动态视频。
WhisperKeyboard – AI语音输入工具，基于 OpenAI Whisper 技术
WhisperKeyboard是基于 OpenAI Whisper 语音识别技术开发的AI语音输入工具，通过语音转文本功能提升用户的输入效率。支持多种语言的语音输入，能实时转换为文字，适用于编程、写作、聊天等多种场景。
Whisper Input – 开源AI语音输入工具，支持多语言实时转录和翻译
Whisper Input 是开源的语音输入工具，基于 Python 和 OpenAI 的 Whisper 模型开发。通过简单的快捷键操作（如按下 Option 键开始录音，松开结束录音），实现语音的实时转录和翻译。
Automa – AI浏览器扩展工具，自动执行网页各种任务操作
Automa是低代码/无代码的浏览器自动化工具，帮助用户通过简单的操作实现复杂的网页任务自动化。支持录制用户操作或手动编辑工作流，能自动完成网页数据抓取、表单填写、屏幕截图、定时任务等操作。
秒画趣拍APP – 商汤科技推出的AI创意写真工具
秒画趣拍APP是商汤科技推出的AI创意写真制作应用，通过AI技术为用户提供高效、便捷的写真和视频创作体验。用户只需上传一张照片，基于强大的AI算法快速生成高质量的写真和视频作品。用户选择模板或上传自定义视频进行创意换脸，支持用户上传自己的模板并发挥创意。