OpenBayes的博客

Food–101 数据集是包含 101 种食品类别的图像数据集，主要用于图像分类，共有 101k 张图像，每个类别的测试图像和训练图像分别有 250 张和 750 张，其中训练图像未经数据清洗，但所有图像均已重新进行尺寸缩放，最大边长在 512 像素。Labelme 是用于目标识别的图像数据集，涵盖 1k+ 个完全注释和 2k 个部分注释的图像，其中部分注释图像可以被用于训练标记算法，测试集拥有来自于世界不同地方拍摄的图像，这可以保证图片在续联和测试之间会有较大的差异。* SVHN 真实世界图像数据集。

算力包日、包周、包月功能上线

它包含了 10,055 个训练实例和 1,047 个测试实例，涵盖了 55 种不同的计算任务。Cityscapes 数据集是一个专门针对城市街道场景的语义理解图片数据集，它包含了来自 50 个不同城市的街道场景，总共包含约 25k 张图像，其中有 5k 张是高质量像素级精细标注的图像，另外还有 20k 张是带有粗糙标注的图像。OMat24 是 Meta 开源的一个大规模无机材料数据集，包含约 1.1 亿个数据点，这些数据点是通过高精度的密度泛函理论 (DFT) 计算得到的，涵盖了多样性的结构和成分。

其中，Stable Diffusion 3.5 Large 是该系列中最强大的模型，拥有 80 亿参数，能够生成高达 100 万像素分辨率的图像，并且可以生成风格更为多样化的图像。今年 6 月，Stability AI 隆重发布了 Stable Diffusion 3 系列的首个开源版本 Stable Diffusion 3 Medium，虽然该版本在图像生成方面确实取得了一定的进步，但它在生成人像以及细节方面仍存在不足。2. 页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

该教程现已上线 OpenBayes 公共教程界面，只需一键克隆启动，即可轻松处理多样化的视觉任务，无论是静态图像的分析还是动态视频的解析，它都能够提供高质量的输出。包含来自 101 个物体类别的约 9k 张图像，不同类别有 40 至 800 张图片，每张图片的大小在 300x200 像素，且数据集的发布者均已标注对应的目标以供使用。SynthText 数据集由包含单词的自然场景图像组成，其主要运用于自然场景中的文本检测，该数据集由 80 万个图像组成，大约有 800 万个合成单词实例。

为了让这些珍贵的老照片重焕光彩，B 站 Up 主是花子呀精心制作了「唤醒老照片」教程。不仅能够实现老照片的修复、还能够为黑白照片进行上色，甚至可以将静态的照片生成动态视频，让那些静止的瞬间活灵活现。目前该教程已经上线至 OpenBayes 公共教程中，点击克隆后只需简单 3 步即可重拾珍贵回忆

问题涵盖了历史、体育、科学、动物、健康等多个主题，并且每个问题都标有推理类型，如数值、表格、多重约束、时间性和后处理。该模型为 Llama 3.2-Vision 的 11B 参数大小的指令微调模型，针对视觉识别、图像推理、字幕和回答有关图像的一般问题进行了优化，支持英语、德语、法语等 8 种语言。该数据集包含了约 255 亿个 tokens 的医疗预料数据，涵盖了 6 种主要语言：英语、中文、日语、法语、俄语和西班牙语，并且对更多语言的支持仍在不断更新和扩展中。MMMLU 多语言多任务语言理解数据集。

来自字节跳动、南洋理工大学、香港中文大学和香港科技大学的研究人员共同开源了 LLaVA-OneVision 多模态大模型，该模型在单图像、多图像和视频任务中均展现出了卓越的性能。专为多模态大型模型设计的评估框架 LMMs-Eval 中显示，LLaVA-OneVision-72B 在大多数基准上优于 GPT-4V 和 GPT-4o，该教程已上线至 OpenBayes ，一键克隆即可启动

斯坦福博士张吕敏 (Lvmin Zhang) 开源了一款能够重塑光线的神器 IC-Light，用户可以通过简单的文本描述或背景条件来控制图像的光照效果，使得图像在视觉上与新的背景或环境融合得更加自然。目前「IC-Light 图片打光神器、背景自然融合替换」已上线至 OpenBayes 公共教程模块，一键克隆即可启动，分分钟帮你拯救假期废片。

这个模型特别适合创造具有经典卡通美学的异想天开和风格化的插图，其生成的图像具有手绘的质感、流畅的笔触，以及柔和的色彩。Tecnalia 高光谱数据集包含来自电机和电子设备废物 (WEEE) 的不同有色金属部分，如铜、黄铜、铝、不锈钢和白铜，图像在光谱范围 [415.05 纳米，1008.10 纳米] 内包含 76 个均匀分布的波长。该数据集记录了 10 名测试者在被试收听和想象音乐片段时记录的脑电图数据，其中包括 12 个音乐片段，每个音乐片段大约 7-16 秒且包括不同的音乐流派。

LivePortrait 在最新版本中通过精确的画像编辑和视频编辑等功能，极大地简化了这一过程。创作者可以精确控制图像中的细微动作，生成高质量、细节丰富的动态视频，为创意和内容制作提供了极大的灵活性和便利。OpenBayes 的公共教程模块现已上线了「LivePortrait 最新版一键运行 Demo」，该教程已经为大家搭建好了环境，无需输入任何命令，一键克隆即可立即启动！

5. 确认无误后，点击「继续执行」，等待分配资源，首次克隆需等待 1 分钟左右的时间。当状态变为「运行中」后，点击「API 地址」边上的跳转箭头，即可跳转至 Demo 页面。1. 打开 Demo 后，在绘图区简单画出形状后，输入 Prompt（例如 Lighthouse on the sea），点击「run」，即可产出图像。4. 页面跳转后，选择「NVIDIA RTX 4090」以及 「PyTorch」镜像，点击「下一步：审核」。2. 页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

清华大学联合智谱 AI 构建了一个能够生成超过 10,000 字连贯文本的模型 LongWriter-glm4-9b，显著扩展了大型语言模型的输出潜力，在文学创作、新闻报道等实际应用中表现出极大的广泛性。该数据集包含两个子集：DISC-Law-SFT-Pair 和 DISC-Law-SFT-Triplet。LAV-DF 是一个多模态（视频篡改和音频篡改）数据集，源自 VoxCeleb2 数据集，包含 136,304 段视频，其中 36,431 段真实视频，99,873 段伪造视频。

7. 在左侧 「ai-toolkit」-「output」-「taylor swift」-「sample」文件里，可以看到我们刚刚 Test Prompt 的效果，如果效果还不错，就证明我们的模型已经训练成功了。10. 页面跳转后，在「LoRA 加载器」中选择刚刚训练好的模型，在「CLIP」中输入 Prompt（例如：a person is drinking coffee），点击「添加提示词队列」即可生成图像。当状态变为「运行中」后，点击「API 地址」边上的跳转箭头，即可跳转至 Demo 页面。

使用传统的数字人训练方案生成一个高质量的数字人，常常需要大量的时间和算力资源，同时对训练素材的要求也较高。MuseV 和 MuseTalk 的出现为数字人领域带来了新的突破，使用 MuseV 生成数字人视频后，再使用 MuseTalk 实现唇形和音频的同步，短短几分钟内即可实现完整的数字人制作。此数据集包含由 Llama-3.1-70B-Insturct 生成的 2.2k 个多轮会话，所有的对话都以 1 句问候语开始，选择的主题涵盖日常主题和基础科学，包括：20 个日常话题，每个话题有 100 个子话题；

随后，该研究团队还利用 LongWriter-6k，基于 GLM-4-9B 进行训练，得到了一个能够生成超过 10,000 字连贯文本的模型 LongWriter-glm4-9b，显著扩展了大型语言模型的输出潜力，在文学创作、新闻报道等实际应用中表现出极大的广泛性。近年来，大语言模型 (LLM) 在理解和生成复杂文本时展现出强大的能力，能够处理高达 100,000 个 tokens 的输入，但在生成超过 2000 词的连贯输出时，往往会遇到困难。3. 点击右下角「下一步：选择算力」。一键克隆即可开启对话。

6. 打开 Demo 后，上传一张图片并输入 Prompt，Prompt 的格式为质量词+人物主体+动作词，例如 (masterpiece, best quality, highres:1),(1boy, solo:1),(eye blinks:1.6),(hair wave:1.3)，输入后点击「Generate」，等待片刻，即可生成视频。5. 确认无误后，点击「继续执行」，等待分配资源，首次克隆需等待 2 分钟左右的时间，待状态显示为「运行中」后，点击「API 地址」边上的跳转箭头，打开 Demo。

该模型在 DeepSeekMath-Base 上进行了预训练，专门研究形式化数学语言，使用从 DeepSeek-Prover-V1 得到的增强形式定理证明数据集进行监督微调。该模型是 DeepSeek 于 2024 年开源的数学定理证明模型，研究团队在 Lean 4 中引入了该模型，模型通过自我迭代和 Lean 证明器监督，构建了一个「围棋」式的学习环境。该数据集包含 10 小时的原始视频，约 8k 个具有代表性的视频帧，这些视频帧带有手动标注边界框和一些有用的标签，例如车辆类别和遮挡。

FLUX.1 是一个 120 亿个参数的大模型，能够从文本描述中生成图像。ChemLLM-7B-Chat 是上海人工智能实验室开源的首个用于化学和分子科学的开源大型语言模型，可帮助化学研究者跨越语言障碍，准确地翻译化学文献中的专有名词。该数据集包含 12 个子集，对应 12 个不同的对象，有 10,821 张图像，其中 9,621 个正常样本和 1,200 个异常样本。该数据集是由关于化学分子和反应的 9 个任务组成，包含 4,100 个多项选择题，该基准为客观衡量大语言模型的化学水平奠定了基础。