模型

字节跳动推出Seed-X，这是一个开源的多语言翻译模型系列，包括指令模型、强化学习模型和奖励模型，参数规模为 70亿（7B），却在翻译能力上展现出媲美甚至超越超大规模闭源模型（如 Gemini-2.5...

RouWei-Gemma是一个为 Rouwei 0.8 开发的文本编码器适配器，基于 Gemma-3-1b 构建，用于替换 SDXL 中的 CLIP 文本编码器。它利用大语言模型（LLM）的强大语义理...

由 Illuin科技、Equall.ai、巴黎-萨克雷大学和苏黎世联邦理工学院 联合提出，ColPali 是一种基于视觉语言模型（VLMs）的文档检索模型，能够直接从文档图像中提取信息，实现快速、准确...

ColQwen2.5-Omni 是基于 Qwen2.5-Omni-3B-Instruct 的新一代多模态检索模型。该模型采用 ColBERT 策略，支持从图像、音频等多模态内容中高效检索信息，是目前首...

近日，由普林斯顿大学语言与智能实验室、清华大学、英伟达、斯坦福大学、Meta FAIR、亚马逊、上海交通大学和北京大学联合研发的 Goedel-Prover-V2 正式发布。这是一系列开源语言模型，在...

你有没有想象过，仅凭一段普通的手机视频，就能“穿越”到画面中，从任意角度和时间点重新观察整个动态场景？比如在一场足球比赛中，你可以自由“飞行”在球场上空，从不同角度观看球员跑动、球的轨迹，甚至追踪每一...

随着多模态生成模型的发展，文本到视频（T2V）、图像到视频（I2V）等任务逐渐成为研究热点。然而，不同模型往往使用不同的推理流程，导致部署与调用复杂、资源占用高。 为此，研究人员推出了一个全新的轻量级...

在 AI 生成图像（AIGC）领域，海报设计一直是极具挑战性的任务之一。它不仅要求模型理解文本描述，还需要兼顾视觉美感、排版逻辑和品牌一致性。近日，字节跳动与复旦大学的研究团队联合提出了一种新的文本...

图像到视频（Image-to-Video, I2V）模型近年来取得了长足进展，能够根据一张静态图像和文本提示生成动态视频，实现更强的视觉控制。然而，研究发现，这类模型往往生成的视频过于静态，动态性远不...

在视觉和文本领域大模型持续突破之后，音频理解也开始迎来新的里程碑。英伟达近日发布了 Audio Flamingo 3（AF3），这是目前最先进的开源大型音频语言模型（Large Audio Langu...

随着语音逐渐成为人机交互的核心方式，法国AI初创公司 Mistral 正式发布其首个开源音频模型 Voxtral，标志着其在语音智能领域的重大突破。 Voxtral 是一款面向企业的语音理解模型（Sp...

由香港城市大学、华为研究院、腾讯、岭南大学等机构联合提出，PUSA V1.0 是一个基于矢量化时间步适应（VTA） 的新型视频扩散模型，实现了极低资源消耗下的高质量视频生成能力。 项目主页：https...