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 357 页
T2V-Turbo – 谷歌开源的文本到视频生成模型
T2V-Turbo是一种先进的文本到视频生成模型，由Google、UC Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）、和University of Waterloo（滑铁卢大学）的研究人员共同推出。基于在预训练的T2V模型的一致性蒸馏过程中整合来自多种可微分奖励模型的反馈，实现快速且高质量的视频生成。
网易云课堂AI大模型产品经理孵化营
AI大模型产品经理孵化营 是网易云课堂精心打造的AI专业课程，专为那些立志在AI领域发展和对AI技术感兴趣的产品经理、业务负责人、运营人员、大学生以及初学者设计。
摆平AI论文 – AI论文写作助手，专为学生和研究人员打造
摆平AI论文是专为学生和研究人员打造的AI论文写作助手，基于人工智能技术，提供一键生成论文、降重润色、校园作业生成等服务。支持多种论文类型，如毕业论文、课程论文等，满足不同学术需求。
pixble – AI在线照片编辑平台，自动进行图像增强色彩修复
pixble是一个基于AI的在线照片编辑平台，能自动提升照片质量，包括修复光线、调整色彩、降噪和锐化模糊照片。pixble基于先进的AI技术，在30秒内完成照片的增强，无需专业知识或手动编辑。pixble提供一个有趣的Face Swap功能，支持用户交换照片中的面孔。
GTSinger – 浙大开源的大型多语言高质量歌声数据集
GTSinger是由浙江大学研究团队推出的大型开源高质量歌声数据集，旨在支持多样化的歌声任务。GTSinger包含80.59小时的专业录音棚录制的歌声，涵盖九种不同语言（汉语、英语、日语、韩语、俄语、西班牙语、法语、德语和意大利），由20位专业歌手演唱，提供丰富的音色和风格多样性。
Illuminate – 谷歌推出将学术论文转化为音频讨论的AI项目
Illuminate 是一个由谷歌开发的项目，能将学术论文转化为人工智能生成的音频讨论。项目基于谷歌强大的语言模型 Gemini，将论文内容转换成引人入胜的对话，使用户能在运动、开车等碎片时间里轻松学习。
LightRAG – 香港大学推出的开源检索增强生成系统
LightRAG是由香港大学研究团队推出的一种检索增强生成（Retrieval-Augmented Generation, RAG）系统，基于整合图结构索引和双层检索机制，提升大型语言模型在信息检索中的准确性和效率。系统能捕捉实体间的复杂依赖关系，全面理解信息，处理具体和抽象查询，确保用户获得既相关又丰富的响应。
misgif – AI换脸应用，个性化创建GIF和表情包
misgif是一款基于AI的应用程序，用面部交换技术让用户将自己的照片与流行的GIF、电视节目和电影场景融合，创造出个性化的表情包和GIF。应用支持Android和iOS平台，提供网络版本，用户能轻松地在社交媒体上分享有趣的内容。
MLE-bench – OpenAI推出AI代理性能评估的基准测试工具
MLE-bench 是 OpenAI 推出的一个基准测试工具，旨在衡量AI代理（AI Agent）在机器学习工程任务中的表现。测试包含75个来自 Kaggle 的竞赛任务，覆盖自然语言处理、计算机视觉和信号处理等多个领域。AI 代理在这个环境中完成理解比赛描述、处理数据集、训练模型、提交结果等一系列任务，最终根据排行榜得分评估能力。
DIAMOND – 能模拟虚拟环境的强化学习代理
DIAMOND（DIffusion As a Model Of eNvironment Dreams）是新型的强化学习代理，完全在扩散世界模型中进行训练。DIAMOND能模拟和学习复杂的环境动态。模型基于扩散模型的最新进展，生成高质量的视觉内容，为代理提供丰富的学习和决策环境。
JobJump – 求职者的AI面试助手，识别面试问题实时答案提示
JobJump 是一款 AI 面试助手扩展程序，旨在帮助求职者在视频面试中表现出色。与 Google Meet、Zoom 和 Microsoft Teams 等在线会议平台兼容，支持超过 50 种语言，为 200 多个行业和职位提供定制化服务。
揽睿星舟 – 翼方健数自主研发的云端AI训推一体算力平台
揽睿星舟是一个云端AI训推一体算力平台，由翼方健数自主研发。提供高性价比的GPU计算资源、开箱即用的训推环境及AI工具链，旨在解决AI协作过程中的安全信任问题，加速AI价值的释放。平台支持多机多卡分布式训练，提供高可用API和开放的镜像生态，内置多种AI应用启动器，如ComfyUI、SD WebUI等，并支持语音转换、语音合成等功能。
ScriptViz – 斯坦福大学推出的剧本可视化AI辅助工具
ScriptViz是由斯坦福大学研究人员推出的一款剧本可视化辅助工具，基于大型电影数据库MovieNet，根据剧本文本和对话检索出相匹配的电影画面，将编剧的文字描述转换成具体的视觉图像。工具提供对视觉元素的精确控制，支持编剧设定固定和可变属性，生成与剧本描述紧密一致的视觉参考
Loong – 港大和字节联合推出的长视频生成模型
Loong是由香港大学和字节跳动联合推出的一种新型长视频生成模型，能生成外观一致、动态丰富、场景过渡自然的分钟级长视频。模型基于自回归大型语言模型（LLM），将文本和视频信息整合为统一序列，用渐进式短到长训练方案与损失重新加权策略，克服长视频训练中的挑战
Surya – 开源的OCR工具包，支持90+语言、布局分析等识别
Surya是一款功能强大的开源OCR（光学字符识别）工具包，专门设计用在文档识别，支持超过90种语言的识别。Surya能准确识别出文档中的文本，分析文本的阅读顺序，检测文档中的布局元素，如表格、图片和标题，及识别和解析表格内容。
CursorCore – 程序员的AI编程辅助框架，对话形式交互理解上下文
CursorCore是一个基于大型语言模型（LLMs）的编程辅助框架，用对话式交互帮助程序员更高效地编写和修改代码。框架整合编程过程中的各种信息，包括代码历史、当前代码和用户指令，预测所需的代码修改，减少程序员的工作量。
MM1.5 – 苹果推出的升级版多模态大模型
MM1.5是苹果公司推出的多模态大型语言模型，旨在增强文本丰富图像理解、视觉指代和定位以及多图像推理能力。模型基于数据为中心的训练方法，在大规模预训练、高分辨率OCR数据持续预训练及优化的视觉指令微调，实现从1B到30B参数规模的高性能。
F5-TTS – 上海交大推出开源的文本到语音（TTS）合成系统
F5-TTS是由上海交通大学开源的一款高性能文本到语音（TTS）系统，基于流匹配的非自回归生成方法，结合扩散变换器（DiT）技术。系统在没有额外监督的情况下，基于零样本学习快速生成自然、流畅且忠实于原文的语音。