kimi-thinking-preview 是月之暗面推出的多模態(tài)思考模型，具備深度推理能力，擅長解決復雜問題，如代碼、數(shù)學和工作難題。模型基于 reasoning_content 字段展...

3DV-TON（Textured 3D-Guided Consistent Video Try-on via Diffusion Models）是阿里巴巴達摩院、湖畔實驗室和浙江大學聯(lián)合推出的基于擴散模型的視頻虛擬試...

ACE-Step 是 ACE Studio 和 StepFun 聯(lián)合推出的開源音樂生成基礎模型，基于創(chuàng)新的架構設計實現(xiàn)高效、連貫且可控的音樂創(chuàng)作。ACE-Step結合擴散模型、深度壓縮...

ReasonIR-8B 是 Meta AI 推出的專為推理密集型檢索任務設計的模型。基于 LLaMA3.1-8B 訓練，采用雙編碼器架構，將查詢和文檔分別編碼為嵌入向量，通過余弦相...

Omni Reference 是 Midjourney 推出的全能參考功能，支持用戶將特定的人物、物體或場景從參考圖像中嵌入到生成的圖像中。Omni Reference 適用于Midjourney V7...

Cobra（Efficient Line Art COlorization with BRoAder References）是清華大學、香港中文大學和騰訊ARC實驗室推出的漫畫線稿上色框架，專為高精度、高效率和...

KeySync 是帝國理工學院和弗羅茨瓦夫大學推出的用在高分辨率口型同步框架，支持將輸入音頻與視頻中的口型動作對齊。KeySync 基于兩階段框架實現(xiàn)，首先生成關...

HoloTime 是北京大學深圳研究生院和鵬城實驗室推出的全景 4D 場景生成框架，基于視頻擴散模型將單張全景圖像轉(zhuǎn)化為具有真實動態(tài)效果的全景視頻，進一步重建為...

T2I-R1 是香港中文大學和上海AI Lab聯(lián)合推出的新型文本生成圖像模型。基于引入雙層推理機制，語義級鏈式思維（CoT）和 Token 級 CoT，實現(xiàn)高層次圖像規(guī)劃與低...

X-Fusion 是加州大學洛杉磯分校、威斯康星大學麥迪遜分校和 Adobe Research 聯(lián)合提出的多模態(tài)融合框架，將預訓練的大型語言模型（LLMs）擴展到多模態(tài)任務中，...

Phi-4-reasoning 是微軟推出的 140 億參數(shù)的推理模型，專為復雜推理任務設計。通過監(jiān)督微調(diào)（SFT）訓練而成，使用了 OpenAI 的 o3-mini 模型生成的高質(zhì)量推理...

DianJin-R1是阿里云通義點金團隊與蘇州大學聯(lián)合推出的金融領域推理增強大模型，專為金融任務設計，融合了先進的技術和全面的數(shù)據(jù)支持。模型通過推理增強監(jiān)督...

Aero-1-Audio 是 LMMs-Lab 開發(fā)的輕量級音頻模型，基于 Qwen-2.5-1.5B 構建，僅包含 1.5 億參數(shù)。專為長音頻處理設計，能支持長達 15 分鐘的連續(xù)音頻輸入，無...

DeepSeek-Prover-V2 是深度求索團隊 DeepSeek 開源的專注于數(shù)學推理的超大規(guī)模語言模型。包含兩個版本：DeepSeek-Prover-V2-671B 和 DeepSeek-Prover-V2-7B，...

VoltAgent 是開源的 TypeScript 框架，用在構建和編排 AI Agent。VoltAgent 提供構建 AI 應用的基礎結構和工具，簡化與大語言模型（LLM）的交互、狀態(tài)管理、...