多模态
  1. 首页
  2. 多模态

列表

OmniHuman

OmniHuman

OmniHuman是字节跳动推出的多模态人类视频生成框架，基于单张图像和运动信号生成高逼真视频。支持音频、姿势及组合驱动，适用于多种图像比例和风格。采用混合训练策略和扩散变换器架构，提升生成效果与稳定性，广泛应用于影视、游戏、教育、广告等领域。
AI项目与工具 2025年06月12日
olmOCR

olmOCR

olmOCR 是一款开源 PDF 文档处理工具，结合文档锚定技术和 Qwen2-VL-7B-Instruct 模型，可高效提取结构化文本并保留原始布局。支持多种文档类型，具备大规模批量处理能力和低成本优势，适用于学术研究、法律文件处理、企业文档管理及数字图书馆建设等多个场景。其开源特性与可扩展性也增强了用户的使用灵活性。
AI项目与工具 2025年06月12日
Augment Agent

Augment Agent

Augment Agent 是一款 AI 编程助手，支持 VS Code 和 JetBrains，具备强大上下文处理能力（最高 20 万 tokens），可自动学习用户编码风格并保持一致性。支持多模态输入、代码检查点、终端命令及跨平台协作，适用于复杂代码库开发和日常编程任务，性能在基准测试中表现优异。
AI项目与工具 2025年06月12日
StarVector

StarVector

StarVector 是一个开源多模态视觉语言模型，支持图像和文本到可编辑 SVG 文件的转换。采用多模态架构，结合图像编码与语言模型，生成结构紧凑、语义丰富的 SVG 内容。基于 SVG-Stack 数据集训练，适用于图标设计、艺术创作、数据可视化等多种场景，具备良好的性能和扩展性。
AI项目与工具 2025年06月12日
Kimi Latest

Kimi Latest

Kimi Latest是月之暗面推出的实时更新AI模型，支持128k上下文长度，可自动选择模型规模并优化成本。具备图像理解、自动上下文缓存和多模态处理能力，适用于聊天应用、内容创作及数据分析等多种场景，为开发者和用户提供稳定高效的AI解决方案。
AI项目与工具 2025年06月12日
DICE

DICE

DICE-Talk是由复旦大学与腾讯优图实验室联合开发的动态肖像生成框架，能够根据音频和参考图像生成具有情感表达的高质量视频。其核心在于情感与身份的解耦建模，结合情感关联增强和判别机制，确保生成内容的情感一致性与视觉质量。该工具支持多模态输入，具备良好的泛化能力和用户自定义功能，适用于数字人、影视制作、VR/AR、教育及心理健康等多个领域。
AI项目与工具 2025年06月11日
CogSound

CogSound

CogSound是一款基于AI的音效生成工具，能够为无声视频添加与内容匹配的高质量音效，涵盖多种复杂场景。该工具通过先进的音视频特征匹配技术和优化的生成算法，提升了视频的沉浸感和真实感，广泛应用于视频创作、广告制作及影视后期等多个领域。
AI项目与工具 2025年06月12日
EMMA

EMMA

EMMA是一款基于Gemini模型的端到端自动驾驶多模态模型，可直接从原始相机传感器数据生成驾驶轨迹并执行多种任务，如3D对象检测、道路图元素识别及场景理解。该模型利用自然语言处理技术实现跨任务协作，并展现出强大的泛化能力，但在某些方面仍需改进。
AI项目与工具 2025年06月12日
Gemma 3 QAT

Gemma 3 QAT

Gemma 3 QAT 是谷歌推出的开源 AI 模型，采用量化感知训练技术，在降低显存需求的同时保持高性能。它支持多模态任务，具备 128,000-token 长上下文处理能力，并可在消费级 GPU 和边缘设备上运行。适用于视觉问答、文档分析、长文本生成等场景，同时兼容多种推理框架，便于部署。
AI项目与工具 2025年06月11日