产品库

创意工作空间，支持多模型、多媒介，一站式助力创作输出。

Fuser是一款创意工作空间网站，支持多模型和多媒介创作。它的重要性在于为创作者提供了一站式的创作平台，避免了在不同工具间切换的麻烦。主要优点包括直观的界面、丰富的模型选择、支持多种创作模态、可定制工作流和模板等。产品背景是为满足创作者高效输出的需求而设计。价格方面，采用信用积分制，有多种套餐可供选择，积分不失效且可累积，还有存储套餐可选。定位是为需要输出作品的创意人士提供服务，推动创意工具发展，鼓励创作者探索和引领新的创作方向。

字节跳动自研大模型，提供多模态能力

豆包大模型是字节跳动推出的自研大模型，通过内部50+业务场景实践验证，每日万亿级tokens大使用量持续打磨，提供多模态能力，以优质模型效果为企业打造丰富的业务体验。产品家族包括多种模型，如通用模型、视频生成、文生图、图生图、同声传译等，满足不同业务需求。

一个支持多种AI艺术生成平台的创意工具，让艺术创作更简单。

多平台AI艺术生成器是一个集成了多个AI艺术生成平台的在线工具，如MidJourney、DALL-E 3、Leonardo等，为用户提供了丰富的艺术创作选项。它通过简单的操作流程，允许用户选择不同的AI平台和模型，设置分辨率，输入提示语，并生成艺术作品。该产品的主要优点在于其便捷性、创意性和多样性，它不仅适用于专业设计师寻找灵感，也适合普通用户进行个性化艺术创作。目前，该产品的具体价格和定位信息未在页面上提供。

多模态大型语言模型设计空间探索

EAGLE是一个面向视觉中心的高分辨率多模态大型语言模型（LLM）系列，通过混合视觉编码器和不同输入分辨率来加强多模态LLM的感知能力。该模型包含基于通道连接的'CLIP+X'融合，适用于具有不同架构（ViT/ConvNets）和知识（检测/分割/OCR/SSL）的视觉专家。EAGLE模型家族支持超过1K的输入分辨率，并在多模态LLM基准测试中取得了优异的成绩，特别是在对分辨率敏感的任务上，如光学字符识别和文档理解。

更有效的提示大型多模态模型，释放潜能

Multimodal-Maestro为您提供更多对大型多模态模型的控制，以获得您想要的输出。通过更有效的提示策略，您可以让多模态模型执行您以前不知道（或认为不可能）的任务。想知道它是如何工作的吗？试试我们的HF空间！ 该项目仍在建设中，API可能会发生变化。

全能AI工作空间，实时语音助手搭配多模态画布，助力高效创作与思考。

Albus AI是一个由人工智能驱动的平台，旨在为知识和创意专业人士提供高效的工作空间。通过实时语音助手和多模态画布，用户可以快速处理大量信息，激发新想法，节省宝贵的时间和注意力。该平台利用大型语言模型和机器学习服务，能够连接不同思想，避免用户在多个标签和应用之间来回切换。Albus AI的出现，为创意工作者、记者、研究人员等专业人士提供了强大的辅助工具，帮助他们更好地发挥人类智慧，为社会创造价值。目前，Albus AI提供有限的早期访问价格，订阅价格为9美元。

情商智商俱佳的多模态大模型

西湖大模型是心辰智能云推出的一款具有高情商和智商的多模态大模型，它能够处理包括文本、图像、声音等多种数据类型，为用户提供智能对话、写作、绘画、语音等AI服务。该模型通过先进的人工智能算法，能够理解和生成自然语言，适用于多种场景，如心理咨询、内容创作、客户服务等，具有高度的定制性和灵活性。西湖大模型的推出，标志着心辰智能云在AI领域的技术实力和创新能力，为用户提供了更加丰富和高效的智能服务体验。

由人工智能强力驱动，为职场人打造千人千面创意写作工作流

多墨智能写作是一款由人工智能强力驱动的创意写作工具，帮助职场人提高工作交付效率。它独家支持根据不同岗位通过算法一键生成工作文档，适合各种职业需求，包括产品经理、抖音运营专员、战略咨询专家、老师、医生、公职人员、旅游导游、公关等。多墨智能写作提供一键成文、辅助撰写、命令自定义和私有化部署等功能，可定制解决方案并保护内部数据隐私。

多模态综合理解与创作

DreamLLM是一个学习框架，首次实现了多模态大型语言模型（LLM）在多模态理解和创作之间的协同效应。它通过直接在原始多模态空间中进行采样，生成语言和图像的后验模型。这种方法避免了像CLIP这样的外部特征提取器所固有的限制和信息损失，从而获得了更全面的多模态理解。DreamLLM还通过建模文本和图像内容以及无结构布局的原始交叉文档，有效地学习了所有条件、边缘和联合多模态分布。因此，DreamLLM是第一个能够生成自由形式交叉内容的MLLM。全面的实验证明了DreamLLM作为零样本多模态通才的卓越性能，充分利用了增强的学习协同效应。

集成多AI模型，可通过对话生成图像、视频和声音，优化创意流程。

Lucent Chat是一个一体化的AI创意工作空间，它将多个领先的AI模型整合到一个平台上，为创作者和营销人员提供了高效的创意解决方案。该平台的重要性在于它简化了创意工作流程，无需用户精通复杂的提示技巧就能轻松进行创作。其主要优点包括支持多种创意形式（图像、视频、声音）的生成和编辑，能够根据用户的想法快速迭代和优化作品。产品背景是在AI技术快速发展的背景下，为满足创意行业对高效工具的需求而开发。价格方面，不同的AI模型和功能使用需要消耗不同数量的积分，例如Sora 2 Fast模式下10积分每秒，Pro模式50积分每秒等。其定位是面向创意行业，帮助用户更快速、高质量地完成创意作品。

多模态语言模型

SpeechGPT是一种多模态语言模型，具有内在的跨模态对话能力。它能够感知并生成多模态内容，遵循多模态人类指令。SpeechGPT-Gen是一种扩展了信息链的语音生成模型。SpeechAgents是一种具有多模态多代理系统的人类沟通模拟。SpeechTokenizer是一种统一的语音标记器，适用于语音语言模型。这些模型和数据集的发布日期和相关信息均可在官方网站上找到。

多模态语言模型预测网络

Honeybee是一个适用于多模态语言模型的局部性增强预测器。它能够提高多模态语言模型在不同下游任务上的性能,如自然语言推理、视觉问答等。Honeybee的优势在于引入了局部性感知机制,可以更好地建模输入样本之间的依赖关系,从而增强多模态语言模型的推理和问答能力。

前沿的多模态大型语言模型

NVLM-D-72B是NVIDIA推出的一款多模态大型语言模型，专注于视觉-语言任务，并且通过多模态训练提升了文本性能。该模型在视觉-语言基准测试中取得了与业界领先模型相媲美的成绩。

全球首个多代理AI视频创作平台

ReelMagic是Higgsfield AI推出的全球首个多代理AI视频创作平台，它能够将故事想法转化为即看即用的长篇内容。该平台不需要复杂的工作流程或多个订阅服务，只需用户的想象力。ReelMagic由AI创意代理驱动，这些代理专门负责从编剧、角色表演、场景设计、摄影到编辑的每个制作步骤，并由AI制作经理指导。它为创作者提供了最佳的创意AI模型，包括Higgsfield AI自己的基础世界模型，所有这些都在一个单一的平台上。ReelMagic将故事想法转化为感觉像是直接来自工作室制作的即看视频，用户只需提供愿景，ReelMagic处理其余部分。Higgsfield AI由硅谷先锋的独特合作创立，并得到技术和媒体领域顶级投资者的支持。

生成多视角视频的模型

Stable Video 4D (SV4D) 是基于 Stable Video Diffusion (SVD) 和 Stable Video 3D (SV3D) 的生成模型，它接受单一视角的视频并生成该对象的多个新视角视频（4D 图像矩阵）。该模型训练生成 40 帧（5 个视频帧 x 8 个摄像机视角）在 576x576 分辨率下，给定 5 个相同大小的参考帧。通过运行 SV3D 生成轨道视频，然后使用轨道视频作为 SV4D 的参考视图，并输入视频作为参考帧，进行 4D 采样。该模型还通过使用生成的第一帧作为锚点，然后密集采样（插值）剩余帧来生成更长的新视角视频。

Vidthis AI集成多模型，可免费创作视频与图像，无过滤限制

Vidthis AI是一个综合性的在线AI视频与图像生成平台。该平台集成了多种先进的AI模型，如用于视频生成的Wan 2.5、Wan 2.2、Hailuo 02，以及用于图像生成的Nano Banana、Seedream 4。其重要性在于为用户提供了一站式的创意解决方案，无需在多个工具之间切换。产品的主要优点包括：支持多种AI模型、专业的视频和图像质量、快速的生成速度、无过滤的创意控制等。价格方面，提供多种付费计划，包括按年计费的基础版、专业版和一次性付费的企业版，同时新用户有一定的优惠。定位是面向内容创作者和营销团队，满足他们在视频和图像创作方面的需求。

多模态语音大型语言模型

fixie-ai/ultravox-v0_4_1-llama-3_1-8b是一个基于预训练的Llama3.1-8B-Instruct和whisper-large-v3-turbo的大型语言模型，能够处理语音和文本输入，生成文本输出。该模型通过特殊的<|audio|>伪标记将输入音频转换为嵌入，并生成输出文本。未来版本计划扩展标记词汇以支持生成语义和声学音频标记，进而可以用于声码器产生语音输出。该模型在翻译评估中表现出色，且没有偏好调整，适用于语音代理、语音到语音翻译、语音分析等场景。

智能聊天对话，支持多模型聊天。

共鸣Chat是一款智能聊天对话应用，支持OpenAI多模型聊天，提供1:1官方API价格，免翻墙，超高并发不限速，为用户带来流畅的聊天体验。

多模态视觉语言模型

MouSi是一种多模态视觉语言模型，旨在解决当前大型视觉语言模型（VLMs）面临的挑战。它采用集成专家技术，将个体视觉编码器的能力进行协同，包括图像文本匹配、OCR、图像分割等。该模型引入融合网络来统一处理来自不同视觉专家的输出，并在图像编码器和预训练LLMs之间弥合差距。此外，MouSi还探索了不同的位置编码方案，以有效解决位置编码浪费和长度限制的问题。实验结果表明，具有多个专家的VLMs表现出比孤立的视觉编码器更出色的性能，并随着整合更多专家而获得显著的性能提升。

多模态原生混合专家模型

Aria是一个多模态原生混合专家模型，具有强大的多模态、语言和编码任务性能。它在视频和文档理解方面表现出色，支持长达64K的多模态输入，能够在10秒内描述一个256帧的视频。Aria模型的参数量为25.3B，能够在单个A100（80GB）GPU上使用bfloat16精度进行加载。Aria的开发背景是满足对多模态数据理解的需求，特别是在视频和文档处理方面。它是一个开源模型，旨在推动多模态人工智能的发展。

AI图像生成器，支持个性化定制和多模型管理

MidJourney是一个流行的AI图像生成器，拥有超过1900万用户。它最近推出了类似Pinterest的“Moodboards”功能和对多个自定义AI图像模型的支持，使用户能够创建和切换多个定制版本的MidJourney最新图像生成器AI模型，以适应他们独特的审美。这些更新旨在简化个人和团队的创作流程，使个性化风格更容易融入各种项目。MidJourney的个性化基础设施不断改进，公司正在通过其“想法和功能”频道征求用户反馈，以赋予创作者直观而强大的工具，推动AI辅助创作的进一步发展。

一张图生成多视角扩散基础模型

Zero123++是一个单图生成多视角一致性扩散基础模型。它可以从单个输入图像生成多视角图像，具有稳定的扩散VAE。您可以使用它来生成具有灰色背景的不透明图像。您还可以使用它来运行深度ControlNet。模型和源代码均可在官方网站上获得。

多模态大语言模型，提升多模态推理能力

InternVL2-8B-MPO是一个多模态大语言模型（MLLM），通过引入混合偏好优化（MPO）过程，增强了模型的多模态推理能力。该模型在数据方面设计了自动化的偏好数据构建管线，并构建了MMPR这一大规模多模态推理偏好数据集。在模型方面，InternVL2-8B-MPO基于InternVL2-8B初始化，并使用MMPR数据集进行微调，展现出更强的多模态推理能力，且幻觉现象更少。该模型在MathVista上取得了67.0%的准确率，超越InternVL2-8B 8.7个点，且表现接近于大10倍的InternVL2-76B。

领先的AI创作者社区

魔多AI是一个专注于AI创作的社区平台，提供多种AI模型和创作工具，支持用户进行插画、动漫、写实等多种风格的图像创作。该平台通过LoRA训练和FLUX技术，让用户能够轻松地创作出高质量的图像作品。魔多AI的背景是杭州厚德云计算有限公司，旨在通过AI技术推动创意产业的发展，其主要优点包括易用性、高效性和创新性。目前，魔多AI提供免费试用和付费服务，定位于广大的图像创作者和设计师。

一款支持多模态功能的全功能大语言模型安卓应用。

MNN 大模型 Android App 是阿里巴巴开发的一款基于大语言模型（LLM）的安卓应用。它支持多种模态输入和输出，包括文本生成、图像识别、音频转录等。该应用通过优化推理性能，确保在移动设备上高效运行，同时保护用户数据隐私，所有处理均在本地完成。它支持多种领先的模型提供商，如 Qwen、Gemma、Llama 等，适用于多种场景。

TokenVerse 是一种基于预训练文本到图像扩散模型的多概念个性化方法。

TokenVerse 是一种创新的多概念个性化方法，它利用预训练的文本到图像扩散模型，能够从单张图像中解耦复杂的视觉元素和属性，并实现无缝的概念组合生成。这种方法突破了现有技术在概念类型或广度上的限制，支持多种概念，包括物体、配饰、材质、姿势和光照等。TokenVerse 的重要性在于其能够为图像生成领域带来更灵活、更个性化的解决方案，满足用户在不同场景下的多样化需求。目前，TokenVerse 的代码尚未公开，但其在个性化图像生成方面的潜力已经引起了广泛关注。

人工智能领域的多轮对话处理专家

汉王天地大模型是汉王科技推出的一款专注于人工智能领域的大语言模型，拥有30年的行业积累。它能够实现多轮对话，高效处理任务，并深耕办公、教育、人文等多个垂直细分领域。该模型通过从人类反馈中进行强化学习，不断优化自身智能，提供包括智能校对、自动翻译、法律咨询、绘画生成、文案生成等在内的多样化服务，以赋能法律、人文、办公、教育、医养等行业，提升效率和创意。

前沿级多模态大型语言模型

NVLM 1.0是NVIDIA ADLR推出的前沿级多模态大型语言模型系列，它在视觉-语言任务上达到了业界领先水平，与顶级专有模型和开放访问模型相媲美。该模型在多模态训练后，甚至在纯文本任务上的准确性上也有所提高。NVLM 1.0的开源模型权重和Megatron-Core训练代码为社区提供了宝贵的资源。

多模态AI模型，图像理解与生成兼备

Mini-Gemini是由香港中文大学终身教授贾佳亚团队开发的多模态模型，具备精准的图像理解能力和高质量的训练数据。该模型结合图像推理和生成，提供不同规模的版本，性能与GPT-4和DALLE3相媲美。Mini-Gemini采用Gemini的视觉双分支信息挖掘方法和SDXL技术，通过卷积网络编码图像并利用Attention机制挖掘信息，同时结合LLM生成文本链接两个模型。