-
美图奇想大模型 – 美图公司推出的AI视觉大模型
美图奇想大模型项目简介 美图奇想大模型（MiracleVision）是美图公司推出的一款AI视觉大模型，专注于美学创作，包括东方美学、人像和商业设计等。模型完成了视频生成能力的全面升级，能生成1分钟、每秒24帧、1080P分辨率的高质量视频，显著提升视频的画质、流畅性和真实性。升级后的模型在美图旗下的产品如美图秀秀、美颜相机、Wink等应用中使用，将逐步推广到其他产品，如开拍、美图设计室、WHEE…- 0
- 0
-
Surya – 开源的OCR工具包，支持90+语言、布局分析等识别
Surya项目简介 Surya是一款功能强大的开源OCR（光学字符识别）工具包，专门设计用在文档识别，支持超过90种语言的识别。Surya能准确识别出文档中的文本，分析文本的阅读顺序，检测文档中的布局元素，如表格、图片和标题，及识别和解析表格内容。Surya因高效的表格识别能力而闻名，性能优于许多现有的开源模型，如Table Transformer。Surya完全免费且用于商业用途，支持跨平台运行…- 0
- 0
-
CapsWriter-Offline – AI语音转文字工具，PC端离线实时工作
CapsWriter-Offline项目简介 CapsWriter-Offline是一款高效的PC端离线语音输入和字幕转录工具，支持用户通过简单的按键操作实现实时语音转文字。软件适合快速记录和转写大量语音信息的场景，如会议、讲座或个人笔记。用户按下大写锁定键即可开始录音，松开后软件迅速将语音转换为文本。CapsWriter-Offline支持将音视频文件拖拽到客户端，快速生成SRT字幕文件，适合视…- 0
- 0
-
OpenCity – AI交通预测模型，卓越的零样本预测和情境适应能力
OpenCity项目简介 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能力，有效应对不同区域和时间的交通模式变化，推动智慧交通发展。 OpenCity优势介绍 通用时空建模：有效处理不同空间区域和时间的城市交通模式的多样性和变化…- 2
- 0
-
Filmfotos – 模拟和还原胶片质感效果的LoRA模型
Filmfotos项目简介 Filmfotos是由DynamicWang推出的的基于Flux架构的LoRA模型，专注于模拟和还原胶片的质感效果。以低饱和度的日系胶片风格为特点，为照片带来柔和、细腻的复古美感。Filmfotos适用于多种场景，包括人物、风景、静物、食物和动物等，在多种图像类型中表现出胶片特有的质感。基于Flux架构的强大性能和LoRA模型的灵活性，提供高精度的图像生成，适合追求胶片…- 2
- 0
-
FLUX-Controlnet-Inpainting – 阿里妈妈推出的开源AI图像修复工具
FLUX-Controlnet-Inpainting项目简介 FLUX-Controlnet-Inpainting 是阿里妈妈（Alibaba’s Alimama）推出的一款图像修复工具，融合 ControlNet 和 FLUX.1-dev 技术。工具根据用户指定的掩码区域进行精确的图像修复，确保修复部分与原图风格一致。FLUX-Controlnet-Inpainting基于 ControlNet…- 3
- 0
-
CodeFormer – AI照片修复工具，轻松去除图片和视频马赛克
CodeFormer项目简介 CodeFormer是一款由南洋理工大学和商汤科技联合开发的AI照片和视频修复工具。融合了变分自动编码器（VQGAN）和Transformer技术，对模糊和马赛克的照片或视频进行高质量的修复。CodeFormer通过先进的算法优化图像细节，提升清晰度，保持自然和真实的视觉效果。支持图片和视频的高清修复，操作简单，开源免费，适用于家庭相册修复、社交媒体照片优化以及专业图…- 1
- 0
-
循环模型新突破：500 步训练让超长序列不再难！
在深度学习的领域，循环神经网络（RNN）和 Transformer 模型各有千秋。近期研究发现，线性循环模型(如 Mamba)凭借其优越的序列处理能力，正在逐渐挑战 Transformer 的地位。尤其是在处理极长序列的任务上，循环模型展现出了巨大的潜力，远远超出传统 Transformer 模型的局限性。 Transformer 模型在处理长上下文时，往往受到固定上下文窗口的限制，计算复杂度也随…- 2
- 0
-
MMAudio – 基于多模态联合训练实现高质量 AI 音频合成项目
MMAudio项目简介 MMAudio是先进视频到音频合成技术，基于多模态联合训练，让模型能在广泛的视听和音频文本数据集上进行训练。技术的核心是同步模块，确保生成的音频与视频帧精确匹配，实现高度同步。MMAudio适用于多种应用场景，包括影视制作和游戏开发，根据视频内容或文本描述生成相应的音频，提升用户体验。 MMAudio优势介绍 视频到音频合成：根据视频内容生成相应的音频，让视频和音频同步。 …- 2
- 0
-
夸克灵知大模型 – 夸克推出的AI学习大模型
夸克灵知大模型项目简介 夸克灵知大模型是夸克公司全新推出的智能学习大模型，具备博士生级别的推理能力。基于AI技术为用户提供分步骤题目讲解，能随时回答问题。在考研数学等题目的正确率和得分率上，夸克灵知大模型已经能与OpenAI的o1模型相媲美，远超国内其他模型。模型能帮助用户提升学习能力和效率，实现从解决一道题到掌握一类题的转变。 夸克灵知大模型优势介绍 智能搜题与解题：用户搜索各类新题和难题，获得…- 4
- 0
-
EasyOCR – 支持超80种语言的开源OCR项目
EasyOCR项目简介 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本转换为可编辑的文本。EasyOCR易于安装和使用，支持跨平台操作，适用于批量处理图像文件。对图像质量有一定要求，在处理大型图像时速度较慢，不过还是一个用户友好的O…- 1
- 0
-
Torch-MLU – 寒武纪开源的PyTorch后端插件，支持大模型一键迁移
Torch-MLU项目简介 Torch-MLU 是寒武纪开源的 PyTorch 设备后端扩展插件，支持开发者将寒武纪 MLU 系列智能加速卡作为 PyTorch 的加速后端使用。插件实现了对 PyTorch 的原生支持，开发者能无缝地将基于 GPU 的深度学习模型迁移到寒武纪 MLU 硬件上，提升模型的训练和推理效率。Torch-MLU 的开源进一步促进 AI 生态的共建，为全球开发者提供更灵活和…- 1
- 0
-
auto-video-generator – AI自动解说视频生成器
auto-video-generator项目简介 auto-video-generator是AI自动解说视频生成器，能实现一键生成解说视频。用户只需输入主题，系统便自动撰写脚本、合成语音、生成图片并合成视频，极大提升内容创作效率。适用于自媒体、营销、教育等多个场景，帮助创作者快速制作高质量视频。 auto-video-generator的功能特色 自动生成解说脚本：输入主题后，AI自动撰写清晰、完…- 1
- 0
-
Scribe – ElevenLabs 推出的高精度语音转文本模型
Scribe项目简介 Scribe 是 ElevenLabs 推出的高精度语音转文本模型，专为多语言和复杂音频环境设计。支持99种语言，英语和意大利语的转录准确率分别达到96.7%和98.7%，在小语种上也有出色表现。Scribe 能区分多达32位说话者，检测笑声、音效等非语言事件，提供结构化的JSON输出，包含单词级时间戳和说话者标注。 Scribe优势介绍 多语言支持：Scribe 支持 99…- 2
- 0
-
ORMBG – 开源的AI图像分割工具
ORMBG项目简介 ORMBG是开源的AI图像分割工具，由开发者schirrmacher在GitHub上发起。ORMBG专注于从图片中准确去除背景，用先进的图像处理技术，实现对图像中前景和背景的精确区分，常用于照片编辑、图像合成和自动化图像处理等领域。ORMBG是一个社区驱动的项目，鼓励全球开发者参与，贡献代码，共同推动项目的发展和完善。 ORMBG优势介绍 照片编辑：快速去除人物或物体背景，便于…- 1
- 0
-
MNN – 阿里开源的移动端深度学习推理框架
MNN项目简介 MNN（Mobile Neural Network）是阿里巴巴集团开源的轻量级深度学习推理框架，为移动端、服务器、个人电脑、嵌入式设备等多种设备提供高效的模型部署能力。MNN支持TensorFlow、Caffe、ONNX等主流模型格式，兼容CNN、RNN、GAN等多种网络结构。MNN具备轻量性、通用性、高性能和易用性特点，能在不依赖特定硬件NPU的情况下运行大型模型，支持模型量化和…- 1
- 0
-
Bocha Semantic Reranker – 博查推出的语义排序模型
Bocha Semantic Reranker项目简介 Bocha Semantic Reranker是博查AI推出的语义排序模型，能提升搜索应用和RAG应用中的搜索结果准确性。Bocha Semantic Reranker模型基于文本语义，对初步排序的搜索结果进行二次优化，用评估查询语句与文档内容的深层语义匹配，给出排序得分，改善用户搜索体验。Bocha Semantic Reranker适用于…- 1
- 0
-
Wav2Lip – 开源的唇形同步工具
Wav2Lip项目简介 Wav2Lip是开源的唇形同步工具，支持用户将音频文件转换成与口型同步的视频，广泛应用于视频编辑和游戏开发等领域。Wav2Lip不仅能够实现实时口型生成，还支持多种语言，适用于不同场景下的需求。无论是提升电影和视频的后期制作质量，还是增强虚拟现实中的交互体验，Wav2Lip都能发挥重要作用。 Wav2Lip的功能特色 音频驱动口型：根据输入的音频信号，自动生成与语音同步的口…- 2
- 0
-
PGTFormer – 先进的AI视频人脸修复框架
PGTFormer项目简介 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模块和时序保真度调节器，实现高效且自然的修复效果。 PGTFormer优势介绍 盲视频人脸修复：无需预对齐，直接对低质量视频人脸进行修复。 语义解析引导：采用面部解析上下文…- 2
- 0
-
Red_Panda – Recraft推出的AI图像生成模型
Red_Panda项目简介 Red_Panda 是 Recraft V3 在发布初期使用的化名，是Recraft AI推出的先进AI图像生成模型，以卓越的性能在图像生成领域树立新标准。在Hugging Face的Text-to-Image Benchmark中以1172的ELO评分领先，超越Midjourney和OpenAI等竞争对手。Red_Panda擅长文本生成，能处理长文本，生成具有高解剖学…- 0
- 0
-
Make-It-Animatable – 中科大联合腾讯推出的自动生成即时动画准备资产
Make-It-Animatable项目简介 Make-It-Animatable是中国科学技术大学和Tencent PCG推出的数据驱动框架，能在不到一秒钟内让任何3D人形模型准备好进行角色动画状态，无论其形状和姿势如何。框架基于生成高质量的混合权重、骨骼和姿势变换，支持多种3D表示，包括网格和3D高斯斑点。基于从粗到细的表示和结构感知建模策略，确保准确性和鲁棒性，甚至适于具有非标准骨架结构的角…- 2
- 0
-
Multi-Speaker – AudioShake 推出的多说话人声分离模型
Multi-Speaker项目简介 Multi-Speaker是AudioShake推出的全球首个高分辨率多说话人分离模型。支持将音频中的多个说话人精准分离到不同轨道，解决传统音频工具在处理重叠语音时的难题。Multi-Speaker适用于多种场景，先进神经架构支持高采样率，适合广播级音频，支持处理长达数小时的录音，在高重叠和低重叠场景，保持一致的分离效果，为音频编辑和创作带来革命性变革。Mult…- 3
- 0
-
Zerox – 开源的OCR工具，零样本识别多种格式文件
Zerox项目简介 Zerox是开源的本地化高精度OCR工具，基于GPT-4o-mini模型，无需提前训练实现零样本识别。Zerox支持PDF、DOCX、图片等多种格式文件，擅长处理扫描版文档及复杂布局文件，如含表格、图表等。Zerox工作流程是将文件转换为图像后进行OCR识别，最终输出Markdown格式文档，方便用户编辑和使用。Zerox提供API接口，便于开发者集成到应用中，实现自动化文档处…- 2
- 0
-
GLM-4-Flash – 智谱AI推出的首个免费大模型API
GLM-4-Flash项目简介 GLM-4-Flash是智谱AI推出的首个免费大模型API，GLM-4-Flash不仅支持多轮对话和多语言处理，还具备网页浏览、代码执行等高级功能。开发者和企业可以在智谱AI开放平台接入免费使用，GLM-4-Flash 模型在“速度”和“性能”两方面都具有较大优势，提供了极具成本效益的AI解决方案。 GLM-4-Flash优势介绍 多轮对话：支持128K上下文，最大…- 1
- 0