Diffusion Self-Distillation（DSD）是創新的零樣本定制圖像生成技術，用預訓練的文本到圖像擴散模型自動生成數據集，并將其微調為能進行文本條件的圖像到圖...

Talker-Reasoner是谷歌DeepMind推出的AI代理架構，借鑒人類的認知理論，將代理分為兩個模塊：Talker和Reasoner。Talker模擬人類的快速直覺思維（System 1），...

Devika是開源的AI編程助手，能理解并拆分復雜指令，基于集成AI搜索和網頁瀏覽能力搜集信息，編寫代碼實現目標。Devika支持多種AI模型，具備高級規劃推理能力...

EMOVA（EMotionally Omni-present Voice Assistant）是多模態全能模型，是香港科技大學、香港大學和華為諾亞方舟實驗室等機構共同推出的。EMOVA能處理圖像、...

OminiControl是高度通用且參數高效的圖像生成框架，為擴散變換器模型如FLUX.1設計，實現對圖像生成過程的精細控制。OminiControl支持主題驅動控制和空間控制...

Promptriever 是約翰斯·霍普金斯大學和Samaya AI聯合推出的新型檢索模型，能像語言模型一樣接受自然語言提示，用直觀的方式響應用戶的搜索需求。Promptriever...

LongLLaVA是多模態大型語言模型（MLLM），基于混合架構結合Mamba和Transformer模塊，能高效處理大量圖像，特別擅長視頻理解和高分辨率圖像分析。LongLLaVA在...

Devika AI是印度Stition AI團隊推出的開源AI軟件開發工具，能理解并執行復雜的人類指令，將其分解為步驟，進行研究和信息搜集，最終編寫代碼以實現目標。Devi...

iDP3（Improved 3D Diffusion Policy）是斯坦福大學聯合多所高校推出的3D視覺運動策略，能提升人形機器人在多樣化環境中的自主操作能力。與傳統3D策略不同，i...

Proactive Agent是清華大學聯合面壁智能等團隊推出的新一代主動Agent交互范式 ，具備主動性，能預測用戶需求并在沒有直接指令的情況下采取行動。Proactive Ag...

ShowUI是新加坡國立大學Show Lab和微軟共同推出的視覺-語言-行動模型，能提升圖形用戶界面（GUI）助手的工作效率。模型基于UI引導的視覺令牌選擇減少計算成本...

NVLM是NVIDIA推出的前沿多模態大型語言模型（LLMs），在視覺-語言任務上達到與頂尖專有模型（如GPT-4o）和開放訪問模型（如Llama 3-V 405B和InternVL 2）相匹...

SAM 2.1（全稱Segment Anything Model 2.1）是Meta（Facebook的母公司）推出的先進視覺分割模型，用于圖像和視頻。基于簡單的Transformer架構和流式記憶設計...

Qwen2VL-Flux是多模態圖像生成模型，結合Qwen2VL的視覺語言理解和FLUX框架，基于文本提示和圖像參考生成高質量的圖像。模型支持多種生成模式，包括變體生成、...

Find3D是加州理工學院推出的3D部件分割模型，能根據任意文本查詢分割任意對象的任何部分。Find3D用一個強大的數據引擎自動從互聯網上的3D資產生成訓練數據，...