- 博客(132)
- 收藏
- 关注
RSS订阅原创 GPT 3.5退休！GPT-4o Mini：正式取代 GPT 3.5
支持文本、图片、视频和音频等多模态！上下文为 128K，在 MMLU 上得分为 82%，在 LMSYS 竞技场中的表现优于 GPT-4，最关键的是 API 的价格比 3.5 便宜了 60%，比 Gemini 1.5 Flash 和 Claude 3 Haiku 便宜一半！GPT3.5 已从官方应用下线，今天开始所用用户都将直接访问新推出的。
2024-07-19 10:02:50
238
原创 Groq: 开源基于 Llama3 专为工具使用而设计的模型
这两个模型的 Function Calling 能力超越了目前所有模型，包括 Claude 3.5、GPT-4o 等闭源模型，在 BFCL 基准测试上排名第一。使用，70B 速度为 300+ token/s，8B 达到恐怖的 1000+ token/s，建议使用感受下~Groq 公司基于 Meta Llama-3。
2024-07-19 10:01:10
340
原创 DETECT-2B：多语言音频伪造检测模型
除了识别语音外，该技术还可以用于识别如 Udio 或者 Suno 等工具创建的 AI 合成音乐。可在 200 毫秒内检测 30 多种语言的音频，准确率超过 94%。目前还处于研究状态，需要填写表单。Resemble AI 推出的。
2024-07-19 09:57:45
76
原创 服装商家有福音了，腾讯 IMAGDressing：面向商家的 AI 换装技术
的虚拟着装（VD）技术，与面向消费者的虚拟试穿（VTON）技术不同，专注于生成具有固定服装并能灵活控制面部、姿势、场景。它能够结合 IP-Adapter 和 ControlNet-Pose 使用，并可以通过文本提示来支持更换不同场景。可以直接在在这里使用。
2024-07-19 09:56:06
245
原创 Exa：为 AI 设计的搜索引擎
是一个号称专门为 AI 设计的搜索引擎，使用 transformers 技术，不仅基于关键词，还能通过语义理解公司、新闻、论文、Twitter、博客、PDF、Github 代码、个人网站或自定义分类进行内容搜索。此外，Exa 获得了 1700 万美元的融资，目前已开放 API，如果你在做 AI 搜索引擎，不妨接入试试，当然，如果你是普通用户，也可以直接。，不过它与现有的 Perplexity 之类的搜索引擎不同，不会给你总结，而是提供关键数据和知识，并预测链接。
2024-07-18 10:10:37
186
原创 Vid2Vid LivePortrait：可输入视频肖像动画
同样是基于 LivePortrait 的一个改版，在原有的基础上增加了允许视频作为输入源的功能，可以在 HF 上。
2024-07-18 10:09:21
471
原创 FasterLivePortrait: 实时真实肖像动画
FasterLivePortrait 是基于 LivePortrait的一个实现，在原有的功能上增加了：
2024-07-18 10:07:31
370
原创 Animate3D: 对任何 3D 模型进行动画处理
是一个旨在为任何静态 3D 模型制作动画的技术，它通过创新的多视图视频扩散模型（MV-VDM）和结合重建与采样技术（4D-SDS）的框架，有效地解决了现有方法在制作 3D 动画时遇到的时空一致性问题，并提高了动画的质量和效率，目前数据集和代码都还是期货状态。
2024-07-18 10:05:57
295
原创 DreamCatalyst: 可控 3D 编辑
将 SDS 编辑视为扩散模型的反向过程，优化过程考虑了采样动态，提供了性能和高质量两种模式，效果都比较不错，现在还是。一个基于 SDS 的文本驱动的 3D 编辑技术，解决了 SDS 训练时间长和结果质量低的问题,
2024-07-18 10:04:14
212
原创 Claude Engineer：现已推出 2.0
版本，新增了编码 Agent、代码执行 Agent 以及动态编辑功能，当编辑文件时，Engineer 会指挥编码 Agent 批量更改，代码执行 Agent 则会运行代码并检查问题。是一个将 Claude 3 和 Claude 3.5 的能力与实际的文件系统操作、网页搜索功能、智能代码分析和执行能力无缝结合的工具。
2024-07-17 09:41:14
246
原创 EmoLLM 2.0：心理健康辅导大模型
心理健康辅导链路的心理健康大模型，由 LLM 指令微调而来，提供了包括书生、通一千文、百川、DeepSeek、LLaMA、Mixtral 等多个模型的微调。，它是一系列能够支持。
2024-07-17 09:40:15
150
原创 ComfyUI: 现已推出全新改进的 UI
了，新 UI 系统改进了搜索框，能够模糊搜索，并且支持预览节点。ComfyUI 现在支持通过启动参数。来使用 ComfyORG 推出的。
2024-07-17 09:37:00
229
原创 阿里 Qwen2-Audio：大规模音频语言模型
语音聊天 voice chat：用户可以自由地与 Qwen2-Audio 进行语音互动，而无需文本输入；音频分析 audio analysis：用户可以在互动过程中提供音频和文本指令对音频进行分析；能够接受各种音频信号输入，并根据语音指令执行音频分析或直接响应文本。不过目前这两个模型还没有开源，可以期待一下！
2024-07-17 09:35:25
273
原创 Mistral AI: 推出全新架构模型和数学推理模型
Codestral Mamba 7B: 基于 Mamba2 架构的 256K 上下文的模型，专注于代码生成。该模型在某些基准测试上的表现超过 22B 的非 Mamba 架构的 Codestral MathΣtral 7B：一个专为数学推理和科学发现设计的 7B 模型，在大部分数学方面的基准测试表现上力压通参数量的 DeepSeek、Llama3、Gemma2 和 Qwen2
2024-07-17 09:34:05
208
原创 华为 UltraPixel: 最强高清修复模型现已开源可用
的出图效果细节惊人，非常牛逼，分辨率上开源模型终于可以和 MJ 扳手腕了，不愧是遥遥领先，缺点需要大显存显卡，速度也比较慢，现在有一个 WIP 的非官方提供的。
2024-07-17 09:31:39
365
原创 GIMM-VFI：视频插帧技术
是一种新的 VFI 技术，它能够进行通用的连续运动建模，并且在任意时间点之间对两个相邻视频帧进行插值，以生成中间帧，使视频播放更加流畅。
2024-07-16 10:05:52
186
原创 StyleSplat：用于 3D 模型的 ipadapter
例如，可以将梵高的绘画风格应用到一个 3D 模型上，使其看起来像是用梵高的风格绘制的。是一个利用高斯散点技术来实现 3D 对象风格转换的技术。
2024-07-16 10:03:50
109
原创 AuraFlow v0.1：开源已死？最新开源文生图模型
v0.1 是由 Fal 开源的 6.8B 参数的文生图模型，擅长遵循提示（prompt following），并且原生支持 ComfyUI，当然你可以直接在 HF Space 上。
2024-07-16 09:57:57
342
原创 H2O-Danube3：适用于移动端的开源LLM模型
模型，有 4B 和 500M 两个大小，官方的 APP 还没有更新，版本 2 的时候在 iPhone 13 Pro 上速度可达 13token/s（完全离线），期待 3 早日上线。h2oai 推出的新。
2024-07-16 09:52:09
377
原创 SmartCrawl：利用 AI 技术将任何网站数据转为 API
的工具，该工具能够将任何现有网站转为 API，从放出的演示来看，除了基本的数据爬取，SmartCrawl 还能够完成自动认证、自动处理图形验证码，目前需要申请白名单才能体验。firecrawl 推出名为。
2024-07-15 09:51:34
284
原创 YouDream：文生动物 3D 模型
是一个专门用于生成身体结构没毛病的动物 3D 模型的模型，还能使用 2D TetraPose ControlNet 来引导生成的姿势，支持生成任何四足动物包括鸟类、爬行动物、两栖动物和哺乳动物等等。每日一个文生 3D 模型，
2024-07-15 09:49:57
220
原创 RouteLLM: 开源 LLM 路由框架
的一个 LLM 路由框架，它通过分析不同模型的性能和成本将任务分配给合适的模型，能够在保持高质量的同时显著降低成本。例如一些简单问题就调用 Llama2 来处理，对于有难度的问题才去调用 GPT-4o 来处理，可以有效的降低成本。是 LMSYS 基于其大模型竞技场（Chatbot Arena）数据。
2024-07-15 09:46:30
97
原创 开源实时直播视频转绘Live2Diff
是一个开源的可以实时对视频流进行转绘处理的技术，在 RTX 4090 上达到了每秒 16 帧的处理速度，该模型在画面稳定性上也远超诸如 Rerender、StreamDiffusion 和 FreeNoise，目前还是。
2024-07-15 09:44:56
328
原创 字节 LLaVA-NeXT: 使 LLM 同时理解多个图片
可以让 AI 能够同时理解和推理多个图像，比如多帧视频、多视图 3D 图。详细介绍了性能和原理，可以在这里下载。
2024-07-12 10:12:42
316
原创 Text-to-CAD：文生 CAD 模型
能够根据用户的提示词自动生成 CAD 工程文件，你可以用它生成齿轮、叶轮、不规则形状甚至乐高积木，目前该工具正在公开测试中，可以免费使用。
2024-07-12 10:09:44
264
原创 OpenDiLoCo: 开源分布式 AI 模型训练
一种去中心化的训练框架，是对 DeepMind 的 Distributed Low-Communication (DiLoCo) 方法的开源实现和扩展，可实现全球分布式的 AI 模型训练。它能够聚合和协调全球的计算资源，计算利用率为 90-95%。
2024-07-12 10:08:11
258
原创 AWS App Studio：使用 AI 生成全栈应用
是 AWS 推出一个基于生成式 AI 的低代码开发平台，只需提供提示词 AI 便会拆解需求，然后生成可二次编辑的包含数据、业务逻辑、多 UI 页面的完整应用，目前正在预览阶段，可以免费使用，这里有一个。
2024-07-12 10:05:48
296
原创 Whisper Timestamped：在浏览器中运行的语音转录
是一个开源的支持多语言的语音识别技术，能够精确对应每个单词到对应帧，可以在播放时高亮当前单词，也可以通过点击单词快速定位到对应时间，该技术完全运行在浏览器中，可以在。类似 PR 的转录文本功能，，第一次使用需要先下载模型~
2024-07-12 10:03:29
131
原创 HeyGen Expressive Photo Avatar: 数字人头动画视频
的类似技术，只需提供一个肖像照片和一段音频（歌曲、演讲、朗读）即可自动对应口型和表情。目前处于 beta 阶段，对所有人免费，可以一试。一样，HeyGen 也推出了名为。就像最近的大火的快手。
2024-07-12 10:01:22
119
原创 GoDaddy Airo：AI 建站助手
是一个帮助用户建立品牌的 AI 助手，只需提出一个想法 ，Airo AI 即能帮助你完成域名挑选、Logo、网站设计、社交媒体帖子发布等功能。
2024-07-11 09:49:06
234
原创 阿里 EchoMimic: 又一个数字人头技术
不仅能通过参考表情生成视频，还能够通过音频匹配对应口型，还支持将两者混用，即通过音频控制口型，通过 landmarks 来控制姿势和表情。
2024-07-11 09:40:07
547
原创 Anthropic Claude：新功能更新
此外现在能够发布和分享 Artifacts，还可以对其他人的 Artifacts 进行 Remix。了新功能，包括自动生成提示词、生成测试用例、对比生成结果等。
2024-07-10 10:02:53
184
原创 Poe: 推出 Previews 功能
支持 Claude 3.5 Sonnet、GPT-4o 和 Gemini 1.5 Pro 等擅长编程的模型。就像 Claude 的 Artifacts 功能一样，Poe 现在可以在聊天中生成 Web 应用并交互，
2024-07-10 10:00:33
286
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人