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 334 页
MMBench-Video – 上海AI Lab联合多所高校推出的长视频理解基准测试
MMBench-Video是新颖的长视频多题问答基准测试，是浙江大学、上海人工智能实验室、上海交通大学和香港中文大学联合推出的。MMBench-Video能全面评估大型视觉语言模型（LVLMs）在视频理解方面的能力，用包含丰富视频内容和细粒度能力评估的长视频，弥补现有基准测试在时序理解和复杂任务处理方面的不足。
Ferret-UI 2 – 苹果推出的跨平台UI理解多模态大语言模型
Ferret-UI 2是苹果公司推出的多模态大型语言模型，用在理解和交互移动用户界面。Ferret-UI 2能识别和理解各种移动设备屏幕上的UI元素，执行复杂的用户指令，实时观察用户在移动设备屏幕上的操作，随时准备提供帮助和执行任务。
MagicTailor – 组件可控个性化图像生成新框架
MagicTailor 是专门为组件可控个性化设计的新框架，让T2I模型在个性化过程中能够精确控制。MagicTailor 基于两个关键技术动态掩码退化（DM-Deg）和双流平衡（DS-Bal），解决语义污染和语义不平衡的挑战。DM-Deg 动态地干扰不需要的视觉语义， DS-Bal 平衡概念和组件的学习，提高个性化图像生成的质量和控制能力。
HiCo – 360 AI研究院推出的布局可控AI绘画模型
HiCo是360 AI研究院推出的基于扩散模型的层次化可控布局到图像生成模型，HiCo基于多分支结构设计，实现对对象位置和文本描述的精确控制。HiCo的关键特点在于进行空间解耦，有效地处理复杂布局，减少对象缺失和视角冲突等问题。
novelcrafter – AI写作助手，辅助作家规划故事结构和节奏
novelcrafter是专为小说作者设计的AI辅助写作软件，基于强大的故事构思工具和与AI的无缝结合，帮助作者提高写作效率和质量。用户根据需求配置AI厂商，支持多种AI服务和本地模型。软件提供包括人物、地点、物品、传说等设定管理，及灵感记录、AI对话和故事细纲规划等功能，让用户从构思到写作的全过程更加流畅。
ComfyUI-MochiEdit – 开源的AI视频编辑工具，支持视频转视频和局部编辑
ComfyUI-MochiEdit是基于ComfyUI和Genmo Mochi的开源视频编辑工具，基于将视频转换为噪声、重新采样实现视频编辑，支持局部编辑和视频转视频功能。用户能调整噪声校正强度、对齐强度等参数控制视频效果，与ComfyUI-MochiWrapper节点结合使用，实现更复杂的编辑需求。
Stagehand – AI网页浏览框架，提供简单和可扩展的网页自动化解决方案
Stagehand是简单和可扩展的AI网页浏览框架，是Playwright的继承者，提供act、extract和observe三个简单的API，支持自然语言驱动的网页操作。Stagehand提供一个轻量级、可配置、模块化的框架，无需复杂抽象，支持不同模型和提供商。
MiniMates – 轻量级AI数字人项目，支持语音和表情两种驱动模式
MiniMates是高性能的轻量级数字人驱动算法，具备语音和表情两种驱动模式，能在普通电脑上实现实时运行。基于先进的技术架构，提供极致的速度体验和个性化定制功能，支持用户根据、需求定制AI伙伴。MiniMates拥有卓越的性能和灵活性，为用户提供强大的数字人驱动解决方案，适用于多种应用场景。
VideoTuna – AI视频生成应用代码库，支持多模型和全面的视频生成流程
VideoTuna是集成多种AI视频生成模型的代码库，支持文本到视频、图像到视频和文本到图像的转换。VideoTuna提供预训练、持续训练、后训练对齐和微调等全面视频生成流程，支持U-Net和DiT架构，并计划推出3D视频VAE及可控面部视频生成模型。
Hertz-Dev – Standard Intelligence推出8.5亿参数的开源音频模型
Hertz-Dev是Standard Intelligence推出的开源音频模型，拥有8.5亿参数。Hertz-Dev包括音频自动编码器hertz-codec、音频VAE学习先验hertz-vae和一个66亿参数的变换器堆栈hertz-dev。Hertz-Dev以低延迟（理论65ms，实际平均120ms）和高效率著称，是首个公开发布的音频基础模型，适合作为研究和微调多种任务的起点。
INTUIT – AI金融科技平台，生成式AI财务助手自动化处理财务任务
INTUIT是全球领先的财务软件公司，专注于为中小企业、个人和会计专业人士提供全面的财务管理、税务申报和薪资管理解决方案。软件包括如QuickBooks、TurboTax和Mailchimp。INTUIT全面拥抱人工智能技术，推出了INTUIT Assist，生成式AI财务助手。
LobeChat – 开源的AI聊天框架，零代码部署个人AI助手
LobeChat是开源AI聊天框架，支持与多个AI供应商的集成，包括OpenAI、Claude 3、Gemini等。框架包括知识库管理、多模态交互（如视觉识别和文本到语音转换）及一个插件系统，支持用户根据个人需求定制聊天体验。LobeChat支持用户一键部署私人的ChatGPT或Claude应用，让个人和企业能轻松创建和维护自己的AI聊天服务。
pipio – AI配音工具，精准匹配说话者的唇部运动
pipio是视频自动AI配音工具，能保留原始声音的同时进行视频翻译，精确匹配说话者的唇部运动，使新语言的配音看起来自然无痕。pipio口型匹配技术提升33%、零损失的视频分辨率、高保真的语言翻译、快速翻译过程以及支持40多种语言等特点而著称，提高内容发布效率，助力全球内容本地化。
Caricaturer – AI漫画头像生成器，提供64种不同效果的漫画头像
Caricaturer是在线AI漫画头像生成器，基于深度学习技术将用户的照片转换成具有夸张和戏剧效果的漫画风格。用户可以上传自己的肖像照片，选择不同的漫画模板，系统会在3到5分钟内自动生成64种不同的漫画效果。
backseat ai – AI游戏语音辅助伴侣，为玩家提供实时的游戏评论和建议
backseat ai是专为英雄联盟设计的AI语音辅助工具，提供实时游戏评论和建议，包括购买建议和对线策略，帮助玩家提升游戏技能而不占用过多系统资源。backseat ai支持多语言和个性化语音包，获得Riot Games认可，能与创作者分享收入，支持创作者的发展。
Skyvern – AI浏览器自动化工具，自动化处理复杂的网页任务
Skyvern是开源的浏览器自动化工具，结合大型语言模型（LLMs）和计算机视觉技术实现复杂的网页交互和数据提取。与传统的基于DOM解析和XPath的自动化工具不同，Skyvern能实时解析网页内容，创建交互计划和执行计划，提高了自动化的灵活性和鲁棒性。
Chat Nio – 一站式LLM管理平台，支持各种主流模型和服务
Chat Nio是一站式AI服务管理平台，提供面向个人用户、开发者和企业的全面解决方案。Chat Nio提供丰富的AI聊天对话功能和模型支持，包括文本、图像、音频和视频处理。Chat Nio支持多种AI模型，如OpenAI、Anthropic Claude等，具备文件解析、对话记忆、多端适配等功能。
Fast GraphRAG – 微软推出高效的知识图谱检索框架
Fast GraphRAG 是微软推出的高效的知识图谱检索框架，旨在提供可解释性和高精度的代理驱动检索工作流。它结合了检索增强生成（RAG）技术和知识图谱，提升大型语言模型（LLMs）在处理私有数据和复杂数据集时的性能。