

Al项目
AI工具集介绍和收录了当前流行的AI研究项目和框架,紧跟最新AI领域的进展,解读AI研究论文和方法框架,帮你快速了解这些项目的工作原理。
14℃Real-IAD 大规模工业异常检测数据集
本文介绍了腾讯优图发布的 Real-IAD 大规模工业异常检测数据集。阐述了该数据集规模庞大,具有丰富的多样性、全面的异常类型覆盖、高精度和真实性等特点,涵盖了 30 类真实产线物料、150K 数据等。还提到了腾讯优图在深
24℃半导体行业专用 LLM 模型:Semikong
Semikong 是专为半导体行业打造的大型语言模型,它具备深度的行业知识,能精准预测技术趋势,高效解决相关问题。其应用涵盖芯片设计优化、生产流程改进、市场趋势分析等领域。工作原理基于自然语言处理和深度学习技术,通过
8℃Fireworks AI 复合式AI模型F1:智能科技全解析
Fireworks AI 复合式 AI 模型 F1 引领智能潮流。它具创新复合架构,多模态数据处理能力强,可精准解析文本、图像、音频等。在多领域应用广泛,能辅助创作、服务、诊断、分析等。优势突出,高精度且自适应学习,推动各行业智能
45℃《百度 "秒哒"—— 开启无代码编程新时代》
“秒哒” 是百度在 2024 年 11 月 12 日百度世界大会上推出的一款创新无代码工具135。它是由大模型和智能体组成的软件,旨在让非程序员群体也能够轻松开发应用程序,无需懂代码和写代码,仅通过一句话就能生成软件应用。
43℃百度检索增强的文生图技术(iRAG)
百度检索增强的文生图技术(iRAG)是百度在 2024 年 11 月 12 日百度世界大会上推出的一项创新技术126。它将百度搜索的亿级图片资源与强大的基础模型能力相结合,旨在解决大模型在图片生成上的 “幻觉问题”,生成各种超真实
37℃字节跳动图像编辑模型 SeedEdit:革新图像编辑的智能之选
SeedEdit 是字节跳动研发的一款通用图像编辑模型。它于 2024 年 11 月 11 日由字节跳动豆包大模型团队推出,旨在为用户提供一种全新的、智能化的图像编辑体验
23℃LM Studio – 开源、傻瓜、一站式部署本地大模型 (LLM) 的应用平台
LM Studio是什么LM Studio 是一个本地大语言模型 (LLM) 应用平台,开源、傻瓜、一站式部署本地大模型。包括但不限于Llama、MPT、Gemma等,LM Studio 提供了一个图形用户界面(GUI),即使是非技术人员...
19℃edge-tts – 开源的AI文字转语音项目
edge-tts是什么edge-tts是开源的AI文字转语音项目,支持超过40种语言和300多种声音。edge-tts利用微软Azure Cognitive Services的强大功能,能将文本信息转换成流畅自然的语音输出。edge-tt...
20℃LLaVA-OneVision – 字节跳动推出的开源多模态AI模型
LLaVA-OneVision是什么LLaVA-OneVision是字节跳动推出开源的多模态AI模型,LLaVA-OneVision通过整合数据、模型和视觉表示的见解,能同时处理单图像、多图像和视频场景下的计算机视觉任务。LLaVA-On...
15℃MUMU – 文本和图像驱动的多模态生成模型
MUMU是什么MUMU是一种多模态图像生成模型,通过结合文本提示和参考图像来生成目标图像,从而提高生成的准确率和质量。MUMU模型的架构基于SDXL的预训练卷积UNet,采用了视觉语言模型Idefics2的隐藏状态构建。模型在训练时使
20℃Video-LLaVA2 – ChatLaw推出的开源多模态智能理解系统
Video-LLaVA2是什么Video-LLaVA2是由北京大学ChatLaw课题组推出的开源多模态智能理解系统,通过创新的时空卷积(STC)连接器和音频分支,提升了视频和音频理解能力。模型在视频问答和字幕生成等多个基准测试中表现出色,...
21℃HMoE – 腾讯混元团队提出的新型神经网络架构
HMoE是什么HMoE(混合异构专家模型)是腾讯混元团队提出的新型神经网络架构,旨在提升大型语言模型的性能和计算效率。通过引入不同尺寸的专家来处理不同复杂性的输入数据,从而增强模型的专业化程度。HMoE采用新的训练目标和
20℃LitServe – 基于FastAPI的高性能AI模型部署引擎
LitServe是什么LitServe是基于FastAPI的高性能AI模型部署引擎,专为企业级AI服务设计。支持批处理、流式处理和GPU自动扩展,简化了模型部署流程。LitServe易于安装和使用,通过pip即可安装,提供灵活的API定义...
11℃CustomCrafter – 腾讯联合浙大推出的自定义视频生成框架
CustomCrafter是什么CustomCrafter 是腾讯和浙江大学联合提出的自定义视频生成框架,能基于文本提示和参考图像生成高质量的个性化视频,同时保留了运动生成和概念组合的能力。CustomCrafter通过设计一系列灵活的模...
17℃LeRobot – HuggingFace推出的开源AI聊天机器人项目
LeRobot是什么LeRobot是由HuggingFace推出的开源AI聊天机器人项目,由前特斯拉研究员Remi Cadene领导开发。LeRobot致力于降低机器人技术的入门门槛,提供预训练模型、数据集和模拟环境,支持模仿学习和强化学...
16℃LongVILA – 面向长视频理解的视觉语言AI模型
LongVILA是什么LongVILA是一个面向长视频理解的视觉语言AI模型,由英伟达、MIT、UC 伯克利、得克萨斯大学奥斯汀分校共同开发。通过算法和系统的共同设计,实现了在大量GPU上进行超长上下文长度训练的能力,无需梯度检查点
13℃EasyOCR – 支持超80种语言的开源OCR项目
EasyOCR是什么EasyOCR 是一个功能强大的开源OCR(光学字符识别)项目,支持80多种语言和多种书写系统,包括中文、阿拉伯文和西里尔文。基于深度学习技术,提供高精度的文字识别能力。用户可以通过简单的API轻松地将图像中的文
26℃OmniCorpus – 百亿级多模态数据集,支持中英双语
OmniCorpus是什么OmniCorpus是一个大规模多模态数据集,包含86亿张图像和16960亿个文本标记,支持中英双语。由上海人工智能实验室联合多所知名高校及研究机构共同构建。OmniCorpus通过整合来自网站和视频平台的文本和...
14℃LTM-2-mini – Magic公司推出的支持1亿token上下文AI模型
LTM-2-mini是什么LTM-2-mini是Magic公司推出的支持1亿token上下文AI模型,能处理相当于1000万行代码或750本小说的内容。LTM-2-mini采用序列维度算法,计算效率比Llama 3.1 405B的注意力机...
16℃STranslate – 多功能免费AI翻译工具,支持离线OCR识别
STranslate是什么STranslate是专为Windows用户设计的多功能翻译和OCR工具。支持多种语言翻译,具备划词、截图、监听剪贴板等多种翻译方式,并提供多家翻译服务接口。还拥有基于PaddleOCR的离线OCR功能,支持中文...
15℃GPTEngineer – 文本驱动生成Web网页的开源工具,AI自动写代码
GPTEngineer是什么GPTEngineer 是一个基于 AI 技术通过简单的文本提示快速生成网页应用原型的开源工具。用户只需描述需求,AI 能自动编写并执行代码,支持与 GitHub 同步和一键部署。GPTEngineer底层使用...
22℃VectorVein – 开源的无代码AI工作流工具,简单拖拽定制AI应用
VectorVein是什么VectorVein 是一款开源的无代码AI工作流工具,通过简化的拖拽操作,让用户无需编程知识即可构建智能工作流,实现日常任务的自动化。VectorVein支持数据处理、分析和知识管理等多种应用场景,具备无代码、...
18℃OpenCity – AI交通预测模型,卓越的零样本预测和情境适应能力
OpenCity是什么OpenCity是由香港大学联合华南理工大学和百度共同研发的交通预测模型。OpenCity采用Transformer架构和图神经网络,通过大规模预训练学习交通数据的时空依赖关系,具备卓越的零样本预测能力和快速情境适应.
19℃PGTFormer – 先进的AI视频人脸修复框架
PGTFormer是什么PGTFormer是先进的视频人脸修复框架,通过解析引导的时间一致性变换器来恢复视频中的高保真细节,同时增强时间连贯性。该方法无需预对齐,基于语义解析选择最佳人脸先验,并通过时空Transformer模块和时序保
19℃Eagle – 英伟达推出的多模态大模型,擅长高分辨率图像处理
Eagle是什么Eagle是英伟达推出的多模态大模型,擅长处理高达1024×1024像素的图像,显著提升视觉问答和文档理解能力。Eagle模型采用多专家视觉编码器架构,通过简单高效的特征融合策略,实现对图像内容的深入理解。Eagle模型