未分类
LLaDA-V – 纯扩散架构的多模态大语言模型
LLaDA-V是什么 LLaDA-V是由中国人民大学高瓴人工智能学院与蚂蚁集团联合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。该模...
PC Agent-E – 高效智能体训练框架，开启计算机操作智能化新纪元
PC Agent-E是什么 PC Agent-E是由上海交通大学与SII联合开发的智能体训练框架，专为提升计算机操作的智能化水平而设计。它通过创新的数据增强方法，利用少...
CAR – 字节跳动与复旦联合推出的自适应推理框架
CAR（Certainty-based Adaptive Reasoning）是由字节跳动联合复旦大学推出的自适应推理框架，旨在提升大型语言模型（LLM）和多模态大型语言模型（MLLM）在不...
WonderPlay – 动态3D场景生成的创新力量
WonderPlay是由斯坦福大学与犹他大学联合推出的一项突破性技术框架，旨在通过单张图片和用户定义的动作生成动态三维场景。它将物理模拟与视频生成技术相结合...
HunyuanVideo-Avatar – 开启智能视频创作新时代
HunyuanVideo-Avatar 是什么 HunyuanVideo-Avatar 是腾讯混元团队开源的语音数字人模型，由腾讯混元视频大模型（HunyuanVideo）及腾讯音乐天琴实验室 Muse...
Jodi – 视觉生成与理解的统一框架
Jodi是什么 Jodi是由中国科学院计算技术研究所和中国科学院大学联合开发的视觉理解与生成统一模型。它基于扩散模型架构，通过联合建模图像域和多个标签域...
Ming-lite-omni – 开源多模态大模型的创新突破
Ming-lite-omni 是蚂蚁集团于 2025 年 5 月开源发布的统一多模态大模型，旨在通过单一架构实现文本、图像、音频和视频等多种模态的理解与生成能力。该模型基...
Ming-lite-omni – 开源多模态大模型的创新突破
Ming-lite-omni 是蚂蚁集团于 2025 年 5 月开源发布的统一多模态大模型，旨在通过单一架构实现文本、图像、音频和视频等多种模态的理解与生成能力。该模型基...
AI-Media2Doc – 开源音视频转文档利器，助力高效创作与知识管理
AI-Media2Doc是一款基于AI大模型的开源Web工具，旨在将音视频内容一键转化为多种风格的文档，包括小红书笔记、公众号文章、知识笔记、思维导图和视频字幕等。...
AI-Media2Doc – 开源音视频转文档利器，助力高效创作与知识管理
AI-Media2Doc是一款基于AI大模型的开源Web工具，旨在将音视频内容一键转化为多种风格的文档，包括小红书笔记、公众号文章、知识笔记、思维导图和视频字幕等。...