产品库

统一的代码库，用于微调大型多模态模型

lmms-finetune是一个统一的代码库，旨在简化大型多模态模型（LMMs）的微调过程。它提供了一个结构化的框架，允许用户轻松集成最新的LMMs并进行微调，支持全微调和lora等策略。代码库设计简单轻量，易于理解和修改，支持包括LLaVA-1.5、Phi-3-Vision、Qwen-VL-Chat、LLaVA-NeXT-Interleave和LLaVA-NeXT-Video等多种模型。

探索3D虚拟世界，体验梦想家宇宙。

Aiuni是一个提供3D虚拟世界体验的平台，用户可以在这里创建和探索个性化的3D模型，享受沉浸式的宇宙探索之旅。Aiuni以其创新的3D技术、丰富的互动性和高度的个性化定制，为用户提供了一个全新的虚拟体验空间。

快速将英文视频转换为中文视频

EasyVideoTrans 是一个专注于视频翻译的在线工具，旨在通过高效的技术手段将英文视频内容快速转换为中文视频。该产品利用先进的文本翻译技术和强大的GPU加速，为用户提供快速、高质量的视频翻译服务。其主要优点包括：1. 高效转换：利用GPU加速，大幅提升视频翻译速度。2. 高质量翻译：文本翻译质量高，减少人工校对和翻译时间。3. 个性化定制：支持字幕编辑、翻译引擎选择和对话人声个性化。4. 灵活操作：支持从任意步骤开始，随时可以人工介入更改。5. 所见即所得：所有操作提供WEB界面，参数配置直观易用。

大型多模态模型，处理多图像、视频和3D数据。

LLaVA-NeXT是一个大型多模态模型，它通过统一的交错数据格式处理多图像、视频、3D和单图像数据，展示了在不同视觉数据模态上的联合训练能力。该模型在多图像基准测试中取得了领先的结果，并在不同场景中通过适当的数据混合提高了之前单独任务的性能或保持了性能。

超高清图像合成技术的新高峰

UltraPixel是一种先进的超高清图像合成技术，旨在推动图像分辨率达到新的高度。这项技术由香港科技大学（广州）、华为诺亚方舟实验室、马克斯·普朗克信息学研究所等机构共同研发。它在图像合成、文本到图像的转换、个性化定制等方面具有显著优势，能够生成高达4096x4096分辨率的图像，满足专业图像处理和视觉艺术的需求。

AI生成个性化视频解说

Narrify AI是一款利用人工智能技术为用户的视频添加个性化解说的应用。它通过用户上传的视频和提供的上下文信息，自动生成解说词，让用户的视频内容更加生动有趣。产品的主要优点包括简单易用、快速生成、个性化定制以及无需专业知识即可操作。背景信息显示，Narrify AI旨在帮助用户以低成本快速制作有趣且具有吸引力的视频内容。

AI驱动的智能输入法，让打字更简单。

Moocat是一款AI驱动的智能输入法，它通过内置的人工智能技术，为用户提供实时的打字建议、语法纠正和上下文感知的回复，从而提高打字速度和准确性。Moocat输入法还具备语言翻译功能，消除语言障碍，让沟通更加顺畅。此外，用户可以个性化定制键盘的外观和功能，以匹配个人风格和偏好。适用于专业人士、学生、旅行者等不同用户群体，提高日常沟通体验。

将你喜爱的AI工具设为浏览器首页，享受便捷的AI搜索体验。

AI Home Tab 是一款浏览器插件，旨在通过将用户喜爱的AI工具设置为浏览器首页，提供一种全新的信息获取方式。它代表了从传统搜索到AI搜索的范式转变，使用户能够更直接、更快速地访问AI服务。产品的主要优点包括便捷性、个性化定制和对AI技术的充分利用。它特别适合那些希望全面拥抱AI技术，寻求更高效信息获取方式的创新者。目前产品是免费提供，但具体的定价策略和定位信息在页面中未提及。

自动化网站设计代理，简化网站创建过程。

WebDesignAgent是一个自动化的网站设计代理，能够帮助用户通过文本描述、图片上传或视觉布局，快速创建出美观且功能齐全的网站。它支持多页面的生成和设计，用户可以手动添加、删除或修改网页及其内容，实现个性化定制。此外，它还具备迭代优化功能，根据用户反馈进行精确调整，以及利用视觉模型自主优化网页布局。

将文本转换为声音效果的API。

ElevenLabs Texts to Sounds Effects API是一个编程接口，允许开发者将文本转换为相应的声音效果，适用于视频编辑、游戏开发等多种场景。该API是开源的，可在GitHub上找到代码，便于开发者进行个性化定制和二次开发。

基于扩散模型的肖像图像动画技术

Hallo是一个由复旦大学开发的肖像图像动画技术，它利用扩散模型生成逼真且动态的肖像动画。与传统依赖参数模型的中间面部表示不同，Hallo采用端到端的扩散范式，并引入了一个分层的音频驱动视觉合成模块，以增强音频输入和视觉输出之间的对齐精度，包括嘴唇、表情和姿态运动。该技术提供了对表情和姿态多样性的自适应控制，能够更有效地实现个性化定制，适用于不同身份的人。

iPadOS 18，带来全新的工作方式和个性化体验。

iPadOS 18是苹果公司为iPad设备推出的最新操作系统，它通过Apple Pencil、应用程序体验和个性化定制等新功能，进一步增强了iPad的生产力和创造力。该系统利用Apple Intelligence技术，根据用户的个人上下文提供最有帮助和相关的智能服务。

专为内容创作者设计的AI内容搜索引擎

Qmedia 是一个多媒体 AI 内容搜索引擎，支持图文 / 短视频素材搜索，提供内容整合和多模态 RAG 内容问答，具有本地化部署、多模态模型服务等优点。

实时更新的多模态模型性能排行榜

OpenCompass多模态排行榜是一个实时更新的平台，用于评估和排名不同的多模态模型（VLMs）。它通过8个多模态基准测试来计算模型的平均得分，并提供详细的性能数据。该平台仅包含开源的VLMs或公开可用的APIs，旨在帮助研究人员和开发者了解当前多模态模型的最新进展和性能表现。

微软轻量级、先进的多模态模型，专注于文本和视觉的高质量推理密集数据。

Phi-3 Vision是一个轻量级、最先进的开放多模态模型，基于包括合成数据和经过筛选的公开可用网站在内的数据集构建，专注于文本和视觉的非常高质量的推理密集数据。该模型属于Phi-3模型家族，多模态版本支持128K上下文长度（以token计），经过严格的增强过程，结合了监督微调和直接偏好优化，以确保精确的指令遵循和强大的安全措施。

AI面试工具，为求职者、公司和教育机构提供AI模拟面试，优化招聘流程，培训员工和学生。

Skillora是一个AI面试工具，旨在帮助求职者练习面试技巧，为公司优化招聘流程，并为教育机构培训员工和学生。它提供个性化定制的模拟面试，实时反馈和评分，以及学习资源库。Skillora可以帮助用户增加面试自信，提升成功机会。

APOB是一个AI创造者工具，可以生成完美反映您风格、声音和本质的独特AI形象。轻松生成引人注目的内容，提升您的受众参与度。

APOB是一个AI创造者工具，可以生成独特的AI形象，为用户带来无限的创作可能。它可以用于生成图片和视频，适用于各种用途，包括数字孪生、明星致敬和动漫角色动画等。APOB具有灵活性和创造力，可以根据用户的喜好进行个性化定制。

Reply Auto是一款AI邮件助手，能够根据上下文理解邮件内容，并提供智能回复。

Reply Auto是一款使用AI技术的邮件助手，它能够自动分析邮件内容，根据上下文提供智能回复。它的主要优点是提高工作效率，减轻用户的邮件负担，并能够个性化定制回复。Reply Auto定位于帮助用户更高效地处理电子邮件，提高工作效率。

轻量级但功能强大的多模态模型家族。

Bunny 是一系列轻量级但功能强大的多模态模型，提供多种即插即用的视图编码器和语言主干网络。通过从更广泛的数据源进行精选选择，构建更丰富的训练数据，以补偿模型尺寸的减小。Bunny-v1.0-3B 模型在性能上超越了同类大小甚至更大的 MLLMs（7B）模型，并与 13B 模型性能相当。

解锁AI驱动的提案的说服力

GigWiz是一个插件，它通过AI生成定制的提案，帮助自由职业者节省时间、获得更多的项目，并提升其职业水平。它的主要优点是节省时间、提高工作效率、个性化定制提案，适用于各类自由职业者。

国内领先的 AI 写作助手，提供 ai 简历制作、个人简历 ai 免费生成服务。

笔灵 AI 写作是一款基于人工智能技术的写作助手，能帮助用户快速生成高质量的个人简历。其主要优点包括便捷高效、智能推荐、个性化定制、数据安全保障等。定位于提升用户写作效率和质量，满足个人简历制作需求。

提升您每天的对话体验

Ongkanon是一款智能对话AI助手，提供有意义且上下文相关的对话体验。它能够自然地与您交谈，就像与亲密的朋友聊天一样。Ongkanon会根据您的偏好进行个性化定制，还能记住以前对话的上下文，以便进行更连贯、有意义的交互。

AI驱动的故事书

MyStoryBot是一个AI驱动的故事书平台，可以根据用户输入的提示生成完整的故事，包括配音和精美插图。用户可以个性化定制自己的故事书，并分享给他人。平台提供个人化故事、教育故事和多语言故事等多种类型。价格分为免费试用和付费订阅两种，付费订阅用户可以享受无限故事、无限插图、重新生成插图、故事朗读和商业使用等特权。

智能对话助手，高效沟通新体验

Qwen1.5 110B Chat Demo是一款基于Hugging Face平台的智能对话助手，它通过先进的自然语言处理技术，为用户提供流畅、自然的对话体验。产品具备强大的语言理解和生成能力，能够处理多种语言，并支持个性化定制。主要功能包括：多轮对话、情感分析、知识问答等。产品优势在于其高度的智能性和易用性，能够帮助用户节省时间，提高沟通效率。目前产品提供免费试用，具体定价策略请访问官网了解。

使用AI创建您自己的课程

Studia AI是一个使用人工智能生成学习步骤的平台。它可以帮助用户创建自己的课程，包括功能丰富的学习步骤生成、个性化定制、智能推荐等。定价根据不同的套餐和功能进行收费。

一个通用的多模态模型,可用于问答、图像描述等任务

HuggingFaceM4/idefics-80b-instruct是一个开源的多模态模型,它可以接受图像和文本的输入,输出相关的文本内容。该模型在视觉问答、图像描述等任务上表现出色,是一个通用的智能助手模型。它由Hugging Face团队开发,基于开放数据集训练,提供免费使用。

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。

连接数字和物理世界的首款多模态模型

Grok-1.5V是X.AI公司推出的第一代多模态模型。除了强大的文本处理能力外,Grok还可以处理各种视觉信息,包括文档、图表、截图和照片等。该模型在多学科推理、文档理解、科学图表理解、图表解读和现实世界理解等方面表现出色,并将于近期向早期测试用户和现有Grok用户推出。

面向长期视频理解的大规模多模态模型

MA-LMM是一种基于大语言模型的大规模多模态模型,主要针对长期视频理解进行设计。它采用在线处理视频的方式,并使用记忆库存储过去的视频信息,从而可以在不超过语言模型上下文长度限制或GPU内存限制的情况下,参考历史视频内容进行长期分析。MA-LMM可以无缝集成到当前的多模态语言模型中,并在长视频理解、视频问答和视频字幕等任务上取得了领先的性能。

为ComfyUI定制的字体到图像动画节点

ComfyUI-Mana-Nodes是一套为ComfyUI设计的自定义节点，包括将字体转换为图像动画的功能。用户可以通过这些节点创建动态图像和视频效果。项目遵循MIT许可证，鼓励社区贡献和个性化定制。