MultiFoley是Adobe Research和密歇根大學共同推出的音效生成系統，能基于文本、音頻和視頻的多模態控制生成Foley聲音效果。系統支持用戶根據文本提示、參考音...

CAT4D是Google DeepMind、哥倫比亞大學和加州大學圣地亞哥分校共同推出的，能從單目視頻創建4D場景（動態3D）表示。CAT4D基于多視圖視頻擴散模型，能在任意指...

Make-It-Animatable是中國科學技術大學和Tencent PCG推出的數據驅動框架，能在不到一秒鐘內讓任何3D人形模型準備好進行角色動畫狀態，無論其形狀和姿勢如何。...

Delta-CoMe是清華大學NLP實驗室聯合OpenBMB開源社區、北京大學和上海財經大學提出的新型增量壓縮算法，一個80G的A100 GPU能輕松加載多達50個7B模型，節省顯存...

Agent-E是基于AutoGen代理框架構建的智能自動化系統，專注于瀏覽器內的自動化操作。Agent-E基于自然語言交互，能執行填寫表單、搜索排序電商產品、定位網頁內...

Magic Copy是開源的摳圖工具，支持Chrome瀏覽器擴展，基于Meta的Segment Anything Model技術，從圖像中自動識別并提取前景對象，并將對象復制到用戶的剪貼板...

NSFW Detector（Not Safe For Work，簡稱 NSFW）是開源的檢測不適宜內容工具，NSFW Detector能識別圖像、PDF、視頻文件中的不適宜內容。工具基于Google的vit-...

GLM-Edge是智譜開源的一系列端側部署優化的大語言對話模型和多模態理解模型，包含GLM-Edge-1.5B-Chat、GLM-Edge-4B-Chat、GLM-Edge-V-2B和GLM-Edge-V-5B。1.5...

FlagEvalMM是北京智源人工智能研究院開源的多模態模型評測框架，能全面評估處理文本、圖像、視頻等多種模態的模型，支持多種任務和指標。框架采用評測與模型...

GLM-PC是智譜科技基于CogAgent視覺多模態模型開發的通用Agent，能模擬人類操作計算機，實現“無人駕駛”PC的技術探索。GLM-PC能執行預定會議、文檔處理、網頁搜...

TryOffDiff（VTOFF）是基于擴散模型的新型虛擬試穿技術，用高保真服裝重建實現虛擬試穿，專注于從單張穿著者照片生成標準化的服裝圖像。與傳統的Virtual Try-...

CodeDPO是北京大學與字節跳動合作推出的代碼生成優化框架，能提升代碼模型在正確性和效率方面的表現。框架基于自生成和驗證機制，同時構建和評估代碼及其測試...

Voice-Pro是開源的多功能音頻處理工具，集成語音轉文字（STT）、文本轉語音（TTS）、實時翻譯、YouTube視頻下載和人聲分離等多種功能。工具支持超過100種語言...

Generative Omnimatte 是 Google DeepMind 等機構推出的視頻編輯技術，能將視頻智能分解為多個透明背景的RGBA圖層，每個圖層對應一個物體及其相關效果（如陰...

Open Materials 2024 (OMat24) 是Meta推出的包含超過1.1億個結構的密度泛函理論(DFT)計算的大型開放數據集，專注于無機材料的結構和成分多樣性。附帶預訓練的...