蚝油菜花_个人页

2025年01月

• 01.16 00:22:32
  发表了文章 2025-01-16 00:22:32

  MiniCPM-o 2.6：面壁智能开源多模态大模型，仅8B参数量就能媲美GPT-4o，支持实时交互，在ipad等终端设备上运行

  MiniCPM-o 2.6 是面壁智能开源的多模态大模型，支持视觉、语音和多模态直播，性能媲美GPT-4o，能够在端侧设备上高效运行。

  
• 01.15 00:14:29
  发表了文章 2025-01-15 00:14:29

  TimesFM 2.0：用 AI 预测流量、销量和金融市场等走势！谷歌开源超越统计方法的预测模型

  TimesFM 2.0 是谷歌研究团队开源的时间序列预测模型，支持长达2048个时间点的单变量预测，具备零样本学习能力，适用于零售、金融、交通等多个领域。

  
• 01.15 00:14:01
  发表了文章 2025-01-15 00:14:01

  NVIDIA-Ingest：英伟达开源智能文档提取及结构化工具，支持 GPU 加速和并行处理

  NVIDIA-Ingest 是英伟达开源的智能文档提取工具，支持 PDF、Word、PPT 等多种格式，提供并行处理和 GPU 加速，适用于企业内容管理和生成式应用。

  
• 01.15 00:13:35
  发表了文章 2025-01-15 00:13:35

  Riona-AI-Agent：自媒体 AI 代理！自动点赞、评论、个性化内容生成和发布等交互任务

  Riona-AI-Agent 是一款基于 Node.js 和 TypeScript 的 AI 自动化工具，支持 Instagram、Twitter 等平台的自动化交互，生成高质量内容，提升社交媒体管理效率。

  
• 01.15 00:13:03
  发表了文章 2025-01-15 00:13:03

  MiniRAG：迷你 RAG 系统加成小型语言模型，爆发出与大型语言模型相当的性能

  MiniRAG 是香港大学推出的新型 RAG 系统，专为资源受限场景设计，支持高效知识检索与推理，适用于多种应用场景。

  
• 01.15 00:12:40
  发表了文章 2025-01-15 00:12:40

  Emotion-LLaMA：用 AI 读懂、听懂、看懂情绪，精准捕捉文本、音频和视频中的复杂情绪

  Emotion-LLaMA 是一款多模态情绪识别与推理模型，融合音频、视觉和文本输入，通过特定情绪编码器整合信息，广泛应用于人机交互、教育、心理健康等领域。

  
• 01.15 00:12:10
  发表了文章 2025-01-15 00:12:10

  ViTPose：最小只有100M的身体姿态估计模型，精确识别人体关节、手、脚等关键点

  ViTPose 是基于 Transformer 架构的人体姿态估计模型，能够精准定位人体关键点，支持多种规模版本，适用于运动分析、虚拟现实等场景。

  
• 01.15 00:11:40
  发表了文章 2025-01-15 00:11:40

  Eko：一句话就能快速构建复杂工作流的 AI 代理开发框架！快速实现自动操作电脑和浏览器完成任务

  Eko 是 Fellou AI 推出的开源 AI 代理开发框架，支持自然语言驱动，帮助开发者快速构建从简单指令到复杂工作流的智能代理。

  
• 01.13 22:09:04
  发表了文章 2025-01-13 22:09:04

  Agent Laboratory：AI自动撰写论文，AMD开源自动完成科研全流程的多智能体框架

  Agent Laboratory 是由 AMD 和约翰·霍普金斯大学联合推出的自主科研框架，基于大型语言模型，能够加速科学发现、降低成本并提高研究质量。

  
• 01.13 22:08:44
  发表了文章 2025-01-13 22:08:44

  SVFR：全能视频人脸修复框架，支持提升清晰度、色彩填充和缺失补全等图像修复任务

  SVFR 是一个通用视频人脸修复框架，支持人脸修复、着色和修复任务，基于 Stable Video Diffusion 技术，提供高质量的视频修复效果。

  
• 01.13 22:08:25
  发表了文章 2025-01-13 22:08:25

  PPTAgent：中科院开源AI工具，自动将文档转化为高质量PPT

  PPTAgent 是中科院推出的自动生成演示文稿框架，基于两阶段编辑方法，支持智能分析、大纲生成、幻灯片生成与评估，适用于教育、企业培训等多种场景。

  
• 01.11 23:06:11
  发表了文章 2025-01-11 23:06:11

  通义万相2.1：VBench榜单荣登第一！阿里通义万相最新视频生成模型，支持生成1080P长视频

  万相2.1是阿里通义万相最新推出的视频生成模型，支持1080P无限长视频生成，具备复杂动作展现、物理规律还原、艺术风格转换等功能。

  
• 01.11 23:05:43
  发表了文章 2025-01-11 23:05:43

  GLM-Zero：智谱AI推出与 OpenAI-o1-Preview 旗鼓相当的深度推理模型，开放在线免费使用和API调用

  GLM-Zero 是智谱AI推出的深度推理模型，专注于提升数理逻辑、代码编写和复杂问题解决能力，支持多模态输入与完整推理过程输出。

  
• 01.11 23:05:18
  发表了文章 2025-01-11 23:05:18

  DeepSeek Artifacts：在线实时预览的前端 AI 编程工具，基于DeepSeek V3快速生成React App

  DeepSeek Artifacts是Hugging Face推出的免费AI编程工具，基于DeepSeek V3，支持快速生成React和Tailwind CSS代码，适合快速原型开发和前端组件构建。

  
• 01.10 23:17:38
  发表了文章 2025-01-10 23:17:38

  SPAR3D：一张图片就能生成3D模型，每个物体的重建时间仅需0.7秒！

  SPAR3D 是由 Stability AI 和伊利诺伊大学香槟分校推出的先进单图生成3D模型方法，支持快速推理与用户交互式编辑，适用于多种3D建模场景。

  
• 01.10 23:17:16
  发表了文章 2025-01-10 23:17:16

  Search-o1：人大清华联合推出动态检索推理框架，使模型能够在推理过程中动态检索外部知识

  Search-o1 是中国人民大学和清华大学联合推出的创新框架，通过动态知识检索和精炼，提升大型推理模型在复杂任务中的推理能力。

  
• 01.09 23:50:51
  发表了文章 2025-01-09 23:50:51

  Ingredients：无需额外训练的多ID视频生成框架，通过多张人物照片生成定制视频

  Ingredients 是一款基于多ID照片与视频扩散Transformer相结合的定制视频生成框架，能够生成高质量、身份一致且内容灵活的视频。

  
• 01.09 23:50:28
  发表了文章 2025-01-09 23:50:28

  MultiBooth：清华联合 Meta 推出多对象的图像生成框架，生成包含多个指定对象的图像

  MultiBooth是清华大学联合Meta等机构推出的多概念图像生成方法，支持高效生成高保真度图像，适用于娱乐、广告、教育等多个领域。

  
• 01.09 23:50:04
  发表了文章 2025-01-09 23:50:04

  VideoRefer：阿里达摩院开源视频对象感知与推理框架，可集成 VLLM 提升其空间和时间理解能力

  VideoRefer 是浙江大学与阿里达摩学院联合推出的视频对象感知与推理技术，支持细粒度视频对象理解、复杂关系分析及多模态交互，适用于视频剪辑、教育、安防等多个领域。

  
• 01.09 23:49:38
  发表了文章 2025-01-09 23:49:38

  Seer：上海 AI Lab 与北大联合开源端到端操作模型，结合视觉预测与动作执行信息，使机器人任务提升成功率43%

  Seer是由上海AI实验室与北大等机构联合推出的端到端操作模型，结合视觉预测与动作执行，显著提升机器人任务成功率。

  
• 01.09 23:49:10
  发表了文章 2025-01-09 23:49:10

  TransPixar：港中文联合 Adobe 开源透明背景视频生成模型，生成透明背景的 RGBA 视频，助力特效等视觉效果制作

  TransPixar 是由港中文、Adobe 等机构联合开源的文本到视频生成技术，支持生成包含透明背景的 RGBA 视频，适用于娱乐、广告、教育等多个领域。

  
• 01.09 23:48:42
  发表了文章 2025-01-09 23:48:42

  Aria-UI：港大联合 Rhymes AI 开源面向 GUI 智能交互的多模态模型，整合动作历史信息实现更加准确的定位

  Aria-UI 是香港大学与 Rhymes AI 联合开发的多模态模型，专为 GUI 智能交互设计，支持高分辨率图像处理，适用于自动化测试、用户交互辅助等场景。

  
• 01.09 23:48:21
  发表了文章 2025-01-09 23:48:21

  CHRONOS：阿里通义联合上海交大推出时间线摘要生成框架，适用于大规模新闻数据的时间线生成任务

  CHRONOS 是由阿里通义实验室与上海交大联合推出的时间线摘要生成框架，支持开放域与封闭域，通过迭代自问自答机制生成连贯的时间线摘要，适用于新闻、金融、教育等多个领域。

  
• 01.09 23:47:55
  发表了文章 2025-01-09 23:47:55

  STAR：南京大学联合字节开源视频超分辨率增强生成框架，视频清晰度一键提升，支持从低分辨率视频生成高分辨率视频

  STAR 是由南京大学、字节跳动和西南大学联合推出的视频超分辨率框架，能够将低分辨率视频提升为高分辨率，同时保持细节清晰度和时间一致性。

  
• 01.09 00:46:19
  发表了文章 2025-01-09 00:46:19

  SPRIGHT：提升文本到图像模型空间一致性的数据集

  SPRIGHT 是一个专注于空间关系的大型视觉-语言数据集，通过重新描述600万张图像，显著提升文本到图像模型的空间一致性。

  
• 01.09 00:45:57
  发表了文章 2025-01-09 00:45:57

  JoyCaption：开源的图像转提示词生成工具，支持多种风格和场景，性能与 GPT4o 相当

  JoyCaption 是一款开源的图像提示词生成工具，支持多种生成模式和灵活的提示选项，适用于社交媒体、图像标注、内容创作等场景，帮助用户快速生成高质量图像描述。

  
• 01.09 00:45:14
  发表了文章 2025-01-09 00:45:14

  Casevo：开源的社会传播模拟系统，基于 AI 模拟人类认知、决策和社会交互，预测社会传播现象

  Casevo 是中国传媒大学推出的开源社会传播模拟系统，结合大语言模型和多智能体技术，支持复杂社会网络建模与动态交互，适用于新闻传播、社会计算等领域。

  
• 01.09 00:44:51
  发表了文章 2025-01-09 00:44:51

  RealisHuman：AI 生成的人像不真实？后处理框架帮你修复生成图像中畸形人体部位

  RealisHuman 是一个创新的后处理框架，专注于修复生成图像中畸形的人体部位，如手和脸，通过两阶段方法提升图像的真实性。

  
• 01.09 00:44:27
  发表了文章 2025-01-09 00:44:27

  SeedVR：高效视频修复模型，支持任意长度和分辨率，生成真实感细节

  SeedVR 是南洋理工大学和字节跳动联合推出的扩散变换器模型，能够高效修复低质量视频，支持任意长度和分辨率，生成真实感细节。

  
• 01.09 00:43:52
  发表了文章 2025-01-09 00:43:52

  Edicho：多图像一致性编辑，支持即插即用无需训练，快速实现风格转换

  Edicho 是蚂蚁集团联合港科大等高校推出的多图像一致性编辑方法，基于扩散模型，支持即插即用，无需额外训练，适用于多种图像编辑任务。

  
• 01.09 00:43:31
  发表了文章 2025-01-09 00:43:31

  Mobile-Agent：通过视觉感知实现自动化手机操作，支持多应用跨平台

  Mobile-Agent 是一款基于多模态大语言模型的智能代理，能够通过视觉感知自主完成复杂的移动设备操作任务，支持跨应用操作和纯视觉解决方案。

  
• 01.09 00:43:03
  发表了文章 2025-01-09 00:43:03

  VideoRAG：长视频理解的检索增强生成技术，支持多模态信息提取，能与任何 LVLM 兼容

  VideoRAG 是一种用于长视频理解的检索增强生成技术，通过提取视频中的视觉对齐辅助文本，帮助大型视频语言模型更好地理解和处理长视频内容。

  
• 01.07 23:49:45
  发表了文章 2025-01-07 23:49:45

  PsycoLLM：开源的中文心理大模型，免费 AI 心理医生，支持心理健康评估与多轮对话

  PsycoLLM 是合肥工业大学推出的中文心理大语言模型，基于高质量心理数据集训练，支持心理健康评估、多轮对话和情绪识别，为心理健康领域提供技术支持。

  
• 01.07 23:49:22
  发表了文章 2025-01-07 23:49:22

  KAG：增强 LLM 的专业能力！蚂蚁集团推出专业领域知识增强框架，支持逻辑推理和多跳问答

  KAG 是蚂蚁集团推出的专业领域知识服务框架，通过知识增强提升大型语言模型在特定领域的问答性能，支持逻辑推理和多跳事实问答，显著提升推理和问答的准确性和效率。

  
• 01.07 23:48:55
  发表了文章 2025-01-07 23:48:55

  Gemini Coder：基于 Google Gemini API 的开源 Web 应用生成工具，支持实时编辑和预览

  Gemini Coder 是一款基于 Google Gemini API 的 AI 应用生成工具，支持通过文本描述快速生成代码，并提供实时代码编辑和预览功能，简化开发流程。

  
• 01.07 23:48:29
  发表了文章 2025-01-07 23:48:29

  AddressCLIP：一张照片就能准确定位！中科院联合阿里云推出街道级图像地理定位模型

  AddressCLIP 是由中科院和阿里云联合开发的端到端图像地理定位模型，通过图像-文本对齐和地理匹配技术，实现街道级精度的定位，适用于城市管理、社交媒体、旅游导航等场景。

  
• 01.07 23:48:01
  发表了文章 2025-01-07 23:48:01

  MiniPerplx：基于 Grok 2.0 的开源 AI 搜索引擎，支持网页、学术、视频搜索

  MiniPerplx 是一款基于 Grok 2.0 模型的开源 AI 搜索引擎，支持网页、学术论文、YouTube 视频等多种内容搜索，提供代码解释、天气预报等功能。

  
• 01.07 23:47:36
  发表了文章 2025-01-07 23:47:36

  CreatiLayout：复旦与字节联合推出布局到图像生成技术，支持高质量图像生成与布局优化

  CreatiLayout 是复旦大学与字节跳动联合推出的创新布局到图像生成技术，通过大规模数据集和孪生多模态扩散变换器，实现高质量图像生成与布局优化。

  
• 01.07 23:47:15
  发表了文章 2025-01-07 23:47:15

  Cosmos：英伟达生成式世界基础模型平台，加速自动驾驶与机器人开发

  Cosmos 是英伟达推出的生成式世界基础模型平台，旨在加速物理人工智能系统的发展，特别是在自动驾驶和机器人领域。

  
• 01.07 23:46:52
  发表了文章 2025-01-07 23:46:52

  AIOpsLab：云服务自动化运维 AI，微软开源云服务 AI 框架，覆盖整个生命周期

  AIOpsLab 是微软等机构推出的开源框架，支持云服务自动化运维，涵盖故障检测、根本原因分析等完整生命周期。

  
• 01.06 20:45:33
  发表了文章 2025-01-06 20:45:33

  OpenHands：能自主检索外部知识的 AI 编程工具，自动执行命令、网页浏览和生成代码等操作

  OpenHands 是一款基于 AI 的编程工具，支持多智能体协作，能够自动生成代码、执行命令、浏览网页等，显著提升开发效率。

  
• 01.06 20:45:13
  发表了文章 2025-01-06 20:45:13

  PersonaMagic：人像与风格融合！快速生成个性化的头像

  PersonaMagic 是一种创新的高保真人脸定制技术，通过阶段调节的文本条件策略和动态嵌入学习，能够根据单张图像生成个性化角色，广泛应用于娱乐、游戏、影视等领域。

  
• 01.06 20:44:54
  发表了文章 2025-01-06 20:44:54

  LatentSync：根据音频生成高分辨率、动态逼真的唇形同步视频

  LatentSync 是由字节跳动与北京交通大学联合推出的端到端唇形同步框架，基于音频条件的潜在扩散模型，能够生成高分辨率、动态逼真的唇同步视频，适用于影视、教育、广告等多个领域。

  
• 01.06 01:07:33
  发表了文章 2025-01-06 01:07:33

  LLM2LLM：LLM2LLM：用 LLM 来增强 LLM ！通过教师模型合成数据，增强学生模型的训练数据集

  LLM2LLM 是一种创新的迭代数据增强技术，通过教师模型生成合成数据，显著提升大语言模型在数据稀缺任务中的性能。

  
• 01.06 01:07:13
  发表了文章 2025-01-06 01:07:13

  Inf-DiT：清华联合智谱AI推出超高分辨率图像生成模型，生成的空间复杂度从 O(N^2) 降低到 O(N)

  Inf-DiT 是清华大学与智谱AI联合推出的基于扩散模型的图像上采样方法，能够生成超高分辨率图像，突破传统扩散模型的内存限制，适用于多种实际应用场景。

  
• 01.06 01:06:49
  发表了文章 2025-01-06 01:06:49

  GeneralDyG：南洋理工推出通用动态图异常检测方法，支持社交网络、电商和网络安全

  GeneralDyG 是南洋理工大学推出的通用动态图异常检测方法，通过时间 ego-graph 采样、图神经网络和时间感知 Transformer 模块，有效应对数据多样性、动态特征捕捉和计算成本高等挑战。

  
• 01.06 01:06:20
  发表了文章 2025-01-06 01:06:20

  FlexRAG：不再局限于文本的 RAG！中科院开源多模态 RAG 助手，支持多数据类型、上下文压缩和多种检索器类型

  FlexRAG 是中科院推出的高性能多模态 RAG 框架，支持多数据类型、上下文压缩和多模态数据处理，显著提升生成模型的表现。

  
• 01.06 01:05:59
  发表了文章 2025-01-06 01:05:59

  VMix：即插即用！字节联合中科大推出增强模型生成美学质量的开源适配器，支持多源输入、高质量视频处理

  VMix 是一款创新的即插即用美学适配器，通过解耦文本提示和交叉注意力混合控制，显著提升图像生成的美学质量，支持多源输入和高质量视频处理。

  
• 01.06 01:05:37
  发表了文章 2025-01-06 01:05:37

  RLCM：康奈尔大学推出文本到图像一致性模型优化框架，支持快速生成与任务特定奖励优化

  RLCM 是康奈尔大学推出的基于强化学习的文本到图像生成模型优化框架，支持快速训练与推理，能够根据任务特定奖励函数生成高质量图像。

  
• 01.04 22:35:46
  发表了文章 2025-01-04 22:35:46

  Smolagents：三行代码就能开发 AI 智能体，Hugging Face 开源轻量级 Agent 构建库

  Smolagents 是 Hugging Face 推出的轻量级开源库，旨在简化智能代理的构建过程，支持多种大语言模型集成和代码执行代理功能。