Midscene.js是基于AI技術(shù)的自動化SDK，通過用大型語言模型（LLM）簡化UI自動化測試中的命令。用戶用自然語言描述交互步驟或預(yù)期數(shù)據(jù)格式，Midscene.js將執(zhí)行...

Granite 3.1是IBM推出的新一代語言模型，具有強大的性能和更長的上下文處理能力。Granite 3.1模型家族有 4 種不同的尺寸和 2 種架構(gòu)：密集模型2B和8B參數(shù)模型...

Sketch2Sound是Adobe 研究院和西北大學(xué)推出的AI音頻生成技術(shù)，能基于聲音模仿和文本提示生成高品質(zhì)音效。Sketch2Sound從聲音模仿中提取響度、亮度和音高三個...

OmniAudio-2.6B是Nexa AI推出的音頻語言模型，專為邊緣部署設(shè)計，能實現(xiàn)快速且高效的音頻文本處理。OmniAudio-2.6B是具有2.6億參數(shù)的多模態(tài)模型融合Gemma-2-2...

DreamOmni 是香港中文大學(xué)、字節(jié)跳動和香港科技大學(xué)共同推出的統(tǒng)一圖像生成和編輯模型。模型整合文本到圖像（T2I）生成和多種編輯任務(wù)，包括指令式編輯、修復(fù)...

DisPose是北京大學(xué)、中國科學(xué)技術(shù)大學(xué)、清華大學(xué)和香港科技大學(xué)的研究團隊共同推出的，提高人物圖像動畫質(zhì)量的控制技術(shù)，基于從骨骼姿態(tài)和參考圖像中提取有效...

InvSR是創(chuàng)新的圖像超分辨率模型，基于擴散模型的逆過程恢復(fù)高分辨率圖像。用大型預(yù)訓(xùn)練擴散模型中豐富的圖像先驗，改善超分辨率的效果。InvSR的核心在于深度...

OCTAVE（Omni-Capable Text and Voice Engine）是Hume AI推出的新一代語音語言模型，結(jié)合EVI 2模型和OpenAI、Elevenlab、Google Deepmind等系統(tǒng)的能力。OCTAV...

3D-Speaker是阿里巴巴通義實驗室語音團隊推出的多模態(tài)開源項目，基于結(jié)合聲學(xué)、語義、視覺信息，實現(xiàn)高精度的說話人識別和語種識別。3D-Speaker提供工業(yè)級模...

LeviTor是南京大學(xué)、螞蟻集團、浙江大學(xué)等機構(gòu)推出的圖像到視頻合成技術(shù)，結(jié)合深度信息和K-means聚類點控制視頻中3D物體的軌跡，無需顯式的3D軌跡跟蹤。LeviT...

OCTAVE（Omni-Capable Text and Voice Engine）是Hume AI推出的新一代語音語言模型，結(jié)合EVI 2模型和OpenAI、Elevenlab、Google Deepmind等系統(tǒng)的能力。OCTAV...

Univer是開源的全?？蚣埽С謩?chuàng)建和編輯電子表格、文檔及幻燈片，為用戶提供統(tǒng)一且強大的辦公解決方案。Univer能在瀏覽器和Node.js環(huán)境中運行，易于集成到各...

AgentScope是阿里巴巴集團開源的多智能體開發(fā)平臺，幫助開發(fā)者輕松構(gòu)建和部署多智能體應(yīng)用。AgentScope提供高易用性、高魯棒性和分布式支持，內(nèi)置多種模型API...

VisionFM（伏羲慧眼）是多模態(tài)多任務(wù)的視覺基礎(chǔ)模型，專為通用眼科人工智能而設(shè)計。通過預(yù)訓(xùn)練3.4百萬張來自560,457個個體的眼科圖像，覆蓋廣泛的眼科疾病、...

InvSR是創(chuàng)新的圖像超分辨率模型，基于擴散模型的逆過程恢復(fù)高分辨率圖像。用大型預(yù)訓(xùn)練擴散模型中豐富的圖像先驗，改善超分辨率的效果。InvSR的核心在于深度...