AI項目和框架

MiniCPM-V 4.5是面壁智能推出的端側多模態模型，擁有8B參數。模型在圖片、視頻、OCR等多個領域表現卓越，尤其在高刷視頻理解方面取得突破，能處理高刷新率視...

Waver 1.0 是字節跳動推出的新一代視頻生成模型，基于修正流 Transformer 架構，支持文本到視頻（T2V）、圖像到視頻（I2V）和文本到圖像（T2I）生成，可在單...

Youtu-agent 是騰訊優圖實驗室推出的開源智能體框架，用在構建、運行和評估自主智能體?？蚣芑陂_源模型DeepSeek-V3實現領先性能，支持多種模型 API 和工具...

Wan2.2-S2V 是開源的多模態視頻生成模型，僅需一張靜態圖片和一段音頻，能生成電影級數字人視頻，視頻時長可達分鐘級，且支持多種圖片類型和畫幅。

Gemini 2.5 Flash Image（代號nano banana）是谷歌 AI Studio推出的先進圖像生成與編輯模型。模型能保持角色在不同場景中的一致性，支持通過自然語言進行精準...

SpatialLM 1.5 是群核科技推出的強大的空間語言模型。模型基于大語言模型訓練，能理解自然語言指令，輸出包含空間結構、物體關系和物理參數的空間語言。用戶...

WhisperLiveKit 是開源的實時語音識別工具，能將語音實時轉錄為文字，支持說話人識別。工具基于先進的技術如 SimulStreaming 和 WhisperStreaming，提供超低...

XBai o4是開源的大語言模型，基于“反射生成形式”訓練，結合長CoT強化學習和過程獎勵學習，在復雜推理能力上表現出色，中等模式下已超越OpenAI-o3-mini。

VibeVoice 是微軟推出的新型文本到語音（TTS）模型，能生成富有表現力、長篇幅、多說話者的對話式音頻，如播客。

EchoMimicV3是螞蟻集團推出的高效多模態、多任務數字人視頻生成框架?？蚣軗碛?3億參數，基于任務混合和模態混合范式，結合新穎的訓練與推理策略，實現快速、...

SpatialGen 是群核科技開源的 3D 場景生成模型。模型基于擴散模型架構，支持根據文字描述、參考圖像和 3D 空間布局，生成時空一致的多視角圖像，且能進一步得...

問小白o4是國內首個并行思考模型，能同時啟動8條思考路徑，自動篩選最優解，提供精準答案。模型融合Long?CoT強化學習與過程獎勵學習，具備深度推理和高質量思...

FutureX是字節跳動、復旦大學、斯坦福大學和普林斯頓大學的研究團隊聯合發布的，專為LLM智能體未來預測任務設計的動態實時評估基準。通過半自動化管道從195個...

DeepSeek V3.1是DeepSeek最新推出的AI模型版本，具備混合推理架構，能自由切換思考模式與非思考模式，思考效率顯著提升。模型在V3的基礎上進行多項升級，上下...

SlowFast-LLaVA-1.5（簡稱SF-LLaVA-1.5）是專為長視頻理解設計的高效視頻大語言模型?；陔p流（SlowFast）機制，平衡處理更多輸入幀與減少每幀令牌數量之間...