AI News

MTVCrafter是中国科学院深圳先进技术研究院计算机视觉与模式识别实验室、中国电信人工智能研究所等机构推出的新型人类图像动画框架，基于原始3D运动序列进行...

Morphik 是开源的多模态检索增强生成（RAG）工具，专为处理高技术性和视觉内容丰富的文档设计。支持对图像、PDF、视频等多种格式的文档进行搜索，采用 ColPal...

AgenticSeek是完全本地化的开源AI助手，也是 Manus 的开源平替。AgenticSeek能在本地设备上自主执行任务，如浏览网页、编写代码、规划复杂项目等，所有数据和...

Slidev 是开源的幻灯片制作工具，基于 Markdown + Vue 技术栈实现。工具支持用简单的 Markdown 语法创建幻灯片，支持代码高亮、实时编码演示、数学公式渲染、...

Company Research Agent是基于多智能体框架的公司研究工具，支持一键自动生成全面的公司研究报告。工具从公司网站、新闻文章、财务报告和行业分析等多源数据...

Direct3D-S2 是南京大学、DreamTech、复旦大学和牛津大学的研究人员共同推出的高分辨率 3D 生成框架，基于稀疏体积表示和创新的空间稀疏注意力（SSA）机制，...

QwenLong-L1-32B 是阿里巴巴集团 Qwen-Doc 团队开源的首个长文本推理大模型。模型基于渐进式上下文扩展、课程引导的强化学习和难度感知的回顾性采样策略，显...

LMEval 是谷歌推出的开源框架，用在简化大型模型（LLMs）的跨提供商评估。框架支持多模态（文本、图像、代码）和多指标评估，兼容 Google、OpenAI、Anthropic...

LLaDA-V是中国人民大学高瓴人工智能学院、蚂蚁集团推出的多模态大语言模型（MLLM），基于纯扩散模型架构，专注于视觉指令微调。模型在LLaDA的基础上，引入视...

PC Agent-E是上海交通大学和SII联合推出的高效智能体训练框架。框架用312条人类标注的计算机使用轨迹，基于Claude 3.7 Sonnet模型合成多样化的行动决策，显著...

CAR（Certainty-based Adaptive Reasoning）是字节跳动联合复旦大学推出的自适应推理框架，能提升大型语言模型（LLM）和多模态大型语言模型（MLLM）在不同任...

WonderPlay 是斯坦福大学联合犹他大学推出的新型框架，支持从单张图片和用户定义的动作生成动态3D场景。基于结合物理模拟和视频生成技术，用物理求解器模拟粗...

HunyuanVideo-Avatar是腾讯混元团队与腾讯音乐天琴实验室联合研发的语音数字人模型，基于多模态扩散Transformer架构，能生成动态、情感可控以及多角色对话视...

Jodi是中国科学院计算技术研究所和中国科学院大学推出的扩散模型框架，基于联合建模图像域和多个标签域，将视觉生成与理解统一起来。

HunyuanPortrait 是腾讯 Hunyuan 团队联合清华大学、中山大学和香港科技大学等机构共同推出的基于扩散模型的框架，用在生成高度可控且逼真的肖像动画。基于给...

Ming-Lite-Omni是蚂蚁集团开源的统一多模态大模型。模型基于MoE架构，融合文本、图像、音频和视频等多种模态的感知能力，具备强大的理解和生成能力。模型在多...

Onit是为Mac设计的AI聊天助手，支持停靠在任何应用程序中。Onit支持高亮文本自动加载，用户只需选择文本，Onit能自动作为上下文打开，无需复制粘贴。

AI-Media2Doc 是开源的音视频转文档工具，基于AI大模型技术，支持将音视频内容智能转换为小红书笔记、公众号文章、知识笔记、思维导图和视频字幕等多种文档形...

DeepSeek-R1-0528 是 DeepSeek 团队推出的最新版AI模型。模型基于 DeepSeek-V3-0324 训练，参数量达 660B。模型在 HuggingFace 上开源，开发者能自由使用和修...

CoGenAV - 通义联合深圳技术大学推出的多模态语音表征模型

OmniConsistency 是新加坡国立大学推出的图像风格迁移模型，能解决复杂场景下风格化图像的一致性问题。模型基于大规模配对的风格化数据进行训练，用两阶段训...

可灵2.1是快手推出的AI视频生成模型，模型现已上线可灵AI视频平台。平台更新包含可灵2.1和可灵2.1大师版两大基础模型。模型在速度、效果和价格上都有显著提升...

Paper2Poster是加拿大滑铁卢大学、新加坡国立大学等机构推出的创新学术框架，基于多模态自动化技术从科学论文生成海报。Paper2Poster推出PosterAgent，一个自...

Chatterbox是Resemble AI推出的开源文本转语音（TTS）模型。模型基于0.5B规模的LLaMA架构，用超过50万小时精选音频训练，性能直逼甚至超越部分闭源系统。Chat...