Mobile-Agent-E 是一款基于大型多模态模型（LMM）的移动助手，旨在帮助用户高效完成复杂的多步骤任务。它通过分层多智能体框架实现自我进化，能够从过去的任务中学习并改进。该产品的主要优点在于其强大的推理能力和对复杂任务的处理能力，尤其是在长周期、多应用交互的任务中表现出色。它适用于需要高效完成复杂移动任务的用户，如商务人士、研究人员等，目前处于研究阶段，未明确具体价格。
需求人群：
"该产品适合需要在移动设备上高效完成复杂任务的用户，如商务人士、研究人员、学生等。它能够帮助用户减少手动操作，提高任务完成效率，尤其适用于需要跨应用交互和长周期规划的任务场景。"
使用场景示例：
在移动设备上完成餐厅推荐任务，包括搜索、筛选和预订。
进行在线购物，从多个应用中比较商品并完成购买。
规划旅行行程，涉及多个应用的查询和预订。
产品特色：
分层多智能体框架，包括经理、感知器、操作员、行动反思器和记录员。
自我进化模块，通过长期记忆中的提示和快捷方式提升性能。
支持长周期、多应用交互的复杂任务处理。
引入新的评估指标——满意度评分（SS），更贴近人类偏好。
提供详细的错误反馈和自动调整机制，提升任务成功率。
支持多种大型多模态模型作为后端，如 GPT-4o、Gemini 等。
通过 Mobile-Eval-E 基准测试验证其性能，显著优于现有方法。
提供开源代码和数据集，便于研究和开发。
使用教程：
1. 访问项目主页，了解产品功能和架构。
2. 下载开源代码，并根据指南进行本地部署。
3. 准备任务输入，如任务描述和初始应用界面。
4. 运行 Mobile-Agent-E，观察其生成的高级计划和执行动作。
5. 根据需要调整模型参数或长期记忆内容，以优化性能。
6. 使用 Mobile-Eval-E 基准测试评估模型性能。
7. 根据实际需求扩展或修改模型功能，以适应特定任务。
浏览量：23
一款能够自我进化的移动助手，专为复杂任务设计。
Mobile-Agent-E 是一款基于大型多模态模型（LMM）的移动助手，旨在帮助用户高效完成复杂的多步骤任务。它通过分层多智能体框架实现自我进化，能够从过去的任务中学习并改进。该产品的主要优点在于其强大的推理能力和对复杂任务的处理能力，尤其是在长周期、多应用交互的任务中表现出色。它适用于需要高效完成复杂移动任务的用户，如商务人士、研究人员等，目前处于研究阶段，未明确具体价格。
模型评测平台
FlagEval是一个模型评测平台，专注于大语言模型和多模态模型的评测。它提供了一个公正、透明的环境，让不同的模型在同一标准下进行比较，帮助研究者和开发者了解模型性能，推动人工智能技术的发展。该平台涵盖了对话模型、视觉语言模型等多种模型类型，支持开源和闭源模型的评测，并提供专项评测如K12学科测验和金融量化交易评测。
大型多模态模型中视频理解的探索
Apollo是一个专注于视频理解的先进大型多模态模型家族。它通过系统性地探索视频-LMMs的设计空间，揭示了驱动性能的关键因素，提供了优化模型性能的实用见解。Apollo通过发现'Scaling Consistency'，使得在较小模型和数据集上的设计决策能够可靠地转移到更大的模型上，大幅降低计算成本。Apollo的主要优点包括高效的设计决策、优化的训练计划和数据混合，以及一个新型的基准测试ApolloBench，用于高效评估。
新一代多模态模型
Adept Fuyu-Heavy是一款新型的多模态模型，专为数字代理设计。它在多模态推理方面表现出色，尤其在UI理解方面表现出色，同时在传统的多模态基准测试中也表现良好。此外，它展示了我们可以扩大Fuyu架构并获得所有相关好处的能力，包括处理任意大小/形状的图像和有效地重复使用现有的变压器优化。它还具有匹配或超越相同计算级别模型性能的能力，尽管需要将部分容量用于图像建模。
Tarsier 是由字节跳动推出的用于生成高质量视频描述的大型视频语言模型。
Tarsier 是由字节跳动研究团队开发的一系列大规模视频语言模型，旨在生成高质量的视频描述，并具备强大的视频理解能力。该模型通过两阶段训练策略（多任务预训练和多粒度指令微调）显著提升了视频描述的精度和细节。其主要优点包括高精度的视频描述能力、对复杂视频内容的理解能力以及在多个视频理解基准测试中取得的 SOTA（State-of-the-Art）结果。Tarsier 的背景基于对现有视频语言模型在描述细节和准确性上的不足进行改进，通过大规模高质量数据训练和创新的训练方法，使其在视频描述领域达到了新的高度。该模型目前未明确定价，主要面向学术研究和商业应用，适合需要高质量视频内容理解和生成的场景。
JetBrains推出的编程辅助工具，帮助开发者更高效地完成代码任务。
Junie是JetBrains开发的一款创新的编程代理工具，旨在帮助开发者通过自然语言交互的方式完成代码任务。它能够理解项目上下文，执行代码编写、测试运行、代码检查等任务，并与开发者进行实时沟通，确保代码质量和项目一致性。Junie的出现代表了编程工具向智能化、自动化方向发展的趋势，极大地提升了开发效率，让开发者可以更专注于核心逻辑和创造性工作。目前，Junie支持IntelliJ IDEA Ultimate和PyCharm Professional，并即将支持WebStorm，仅限OS X和Linux平台。
Please 是一家致力于为消费者提供人工智能服务的公司。
Please 是一家新成立的消费级人工智能公司，旨在通过创新的人工智能技术为用户提供更便捷、智能的服务体验。公司于2025年1月14日正式更名为Please，标志着其进入新的发展阶段。目前，公司主要通过其官方网站提供服务，未来可能会拓展更多产品形态。Please 的定位是面向广大消费者，提供个性化、智能化的AI解决方案，帮助用户在日常生活中更高效地完成各种任务。
将问题和表单转化为个性化聊天AI，获取即时见解并生成病毒式内容
Yapz 是一个基于人工智能的平台，能够将问题和表单转化为个性化的聊天AI。其核心功能是通过与用户的互动，快速获取信息并将其转化为有价值的见解和内容。该技术的重要性在于，它能够帮助企业或个人以更高效的方式收集和分析数据，同时通过生成病毒式内容来扩大影响力。Yapz 由 datarockets 和 collabs 共同打造，致力于保护用户隐私。目前尚不清楚其具体价格和定位，但从其功能来看，可能主要面向需要高效收集信息和内容创作的用户群体。
Humanity's Last Exam 是一个用于衡量大型语言模型能力的多模态基准测试。
Humanity's Last Exam 是一个由全球专家合作开发的多模态基准测试，旨在衡量大型语言模型在学术领域的表现。它包含来自 50 个国家超过 500 个机构的近 1000 名专家贡献的 3000 个问题，覆盖超过 100 个学科。该测试旨在成为最终的封闭式学术基准，通过挑战模型的极限来推动人工智能技术的发展。其主要优点是难度高，能够有效评估模型在复杂学术问题上的表现。
一种新颖的图像到视频采样技术，基于Hunyuan模型实现高质量视频生成。
leapfusion-hunyuan-image2video 是一种基于 Hunyuan 模型的图像到视频生成技术。它通过先进的深度学习算法，将静态图像转换为动态视频，为内容创作者提供了一种全新的创作方式。该技术的主要优点包括高效的内容生成、灵活的定制化能力以及对高质量视频输出的支持。它适用于需要快速生成视频内容的场景，如广告制作、视频特效等领域。该模型目前以开源形式发布，供开发者和研究人员免费使用，未来有望通过社区贡献进一步提升其性能。
Llasa-1B 是一个基于 LLaMA 的文本转语音 (TTS) 模型，支持中英文语音合成。
Llasa-1B 是一个由香港科技大学音频实验室开发的文本转语音模型。它基于 LLaMA 架构，通过结合 XCodec2 代码本中的语音标记，能够将文本转换为自然流畅的语音。该模型在 25 万小时的中英文语音数据上进行了训练，支持从纯文本生成语音，也可以利用给定的语音提示进行合成。其主要优点是能够生成高质量的多语言语音，适用于多种语音合成场景，如有声读物、语音助手等。该模型采用 CC BY-NC-ND 4.0 许可证，禁止商业用途。
百川智能开发的专为医疗场景优化的开源大语言模型，具备卓越的通用能力和医疗领域性能。
Baichuan-M1-14B 是由百川智能开发的开源大语言模型，专为医疗场景优化。它基于20万亿token的高质量医疗与通用数据训练，覆盖20多个医疗科室，具备强大的上下文理解和长序列任务表现能力。该模型在医疗领域表现出色，同时在通用任务中也达到了同尺寸模型的效果。其创新的模型结构和训练方法使其在医疗推理、病症判断等复杂任务中表现出色，为医疗领域的人工智能应用提供了强大的支持。
TransPixar 利用突破性的 AI 技术将文本转换为透明视频，彻底改变创意制作方式。
TransPixar 是一款基于先进人工智能技术的透明视频生成工具。它采用创新的 DiT 架构，能够将文本描述快速转化为高质量的透明视频，实现 RGB 和 Alpha 通道的完美对齐。该技术对于创意制作领域具有重要意义，能够极大提升创作效率，降低制作成本，为视觉特效、动画制作等行业带来全新的解决方案。目前，该产品主要面向创意专业人士，提供高效、专业的透明视频生成服务，具体价格未明确提及，但从其定位来看，可能属于付费范畴。
Genaimo是一款能够快速生成动画的产品，支持多种格式导出，适用于多种3D工具。
Genaimo是一款基于人工智能技术的动画生成工具，用户可以通过简单的描述生成动画。该产品的主要优点是能够快速将用户的创意转化为实际的动画效果，大大提高了动画创作的效率。它适用于需要快速生成动画的设计师、开发者和创意人员。目前尚不清楚其具体价格和市场定位，但其技术的创新性和实用性使其在动画设计领域具有重要的地位。
FilmAgent是一个基于LLM的多智能体协作框架，用于虚拟3D空间中的端到端电影自动化制作。
FilmAgent是一种创新的电影制作技术，通过模拟导演、编剧、演员和摄影师等关键角色，利用多智能体协作实现虚拟3D空间中的电影自动化制作。该技术的主要优点在于能够减少人工干预，提高制作效率，同时降低错误率。FilmAgent在电影制作领域的应用，为创作者提供了一个高效、低成本的解决方案，尤其适合资源有限的小型制作团队。虽然目前没有明确的价格信息，但其开源的特性使其具有广泛的适用性和推广价值。
一个能够使用自己的浏览器为您执行任务的智能代理，目前处于研究预览阶段。
Operator 是 OpenAI 推出的一款智能代理产品，它通过结合 GPT-4o 的视觉能力与强化学习的高级推理能力，能够像人类一样与图形用户界面进行交互。它能够处理各种重复性浏览器任务，如填写表单、订购杂货等，帮助用户节省时间。该产品目前处于研究预览阶段，仅对美国的 Pro 用户开放，未来计划扩展到更多用户群体并集成到 ChatGPT 中。
UPDF AI 助力用户对 PDF 文档进行总结、翻译、解释、重写、构思，提升阅读效率。
UPDF AI 是一款基于人工智能技术的 PDF 智能处理工具。它通过与 PDF 文档的交互，帮助用户快速提取和分析文档中的关键信息，从而提高阅读和学习效率。该产品利用先进的自然语言处理技术，能够精准地对文档内容进行总结、翻译、解释等操作。其主要优点包括高效的信息提取能力、精准的语言处理能力以及便捷的用户交互体验。UPDF AI 面向需要处理大量 PDF 文档的用户，无论是学生、研究人员还是专业人士，都能从中受益。目前，该产品的具体价格和定位尚未明确，但其强大的功能和高效的表现使其在市场上具有较高的竞争力。
GameFactory 是一个基于预训练视频扩散模型的通用世界模型，可创建开放领域的游戏。
GameFactory 是一个创新的通用世界模型，专注于从少量的《我的世界》游戏视频数据中学习，并利用预训练视频扩散模型的先验知识来生成新的游戏内容。该技术的核心优势在于其开放领域的生成能力，能够根据用户输入的文本提示和操作指令生成多样化的游戏场景和互动体验。它不仅展示了强大的场景生成能力，还通过多阶段训练策略和可插拔的动作控制模块，实现了高质量的交互式视频生成。该技术在游戏开发、虚拟现实和创意内容生成等领域具有广阔的应用前景，目前尚未明确其价格和商业化定位。
基于RAG（Retrieval-Augmented Generation）技术的智能对话系统
RAG Web UI 是一个基于 RAG 技术的智能对话系统，它结合了文档检索和大型语言模型，能够为企业和个人提供基于知识库的智能问答服务。该系统采用前后端分离架构，支持多种文档格式（如 PDF、DOCX、Markdown、Text）的智能管理，包括自动分块和向量化处理。其对话引擎支持多轮对话和引用标注，能够提供精准的知识检索和生成服务。该系统还支持高性能向量数据库（如 ChromaDB、Qdrant）的灵活切换，具有良好的扩展性和性能优化。作为一种开源项目，它为开发者提供了丰富的技术实现和应用场景，适合用于构建企业级知识管理系统或智能客服平台。
下一代原生GUI代理模型，能够无缝与图形用户界面交互。
UI-TARS 是由字节跳动研究团队开发的下一代原生GUI代理模型，旨在通过人类般的感知、推理和行动能力与图形用户界面进行无缝交互。该模型集成了感知、推理、定位和记忆等所有关键组件，能够在无需预定义工作流或手动规则的情况下实现端到端的任务自动化。其主要优点包括强大的多模态交互能力、高精度的视觉感知和语义理解能力，以及在多种复杂任务场景中的出色表现。该模型适用于需要自动化GUI交互的场景，如自动化测试、智能办公等，能够显著提高工作效率。
UI-TARS 是一个用于自动化图形用户界面交互的下一代原生 GUI 代理模型。
UI-TARS 是由字节跳动开发的一种新型 GUI 代理模型，专注于通过类似人类的感知、推理和行动能力与图形用户界面进行无缝交互。该模型将感知、推理、定位和记忆等关键组件集成到单一的视觉语言模型中，能够实现无需预定义工作流程或手动规则的端到端任务自动化。其主要优点包括强大的跨平台交互能力、多步任务执行能力以及从合成和真实数据中学习的能力，适用于多种自动化场景，如桌面、移动和网页环境。
Kawara AI 是一款利用人工智能组织视频文件、快速查找所需片段的产品。
Kawara AI 是一款面向视频创作者的 AI 工具，通过智能组织和搜索视频文件，帮助用户高效管理视频素材。其核心功能包括自动剪辑、视频搜索和无缝集成等，旨在提升视频创作的生产力。产品目前提供免费试用，定位为视频创作者的得力助手，致力于简化视频编辑流程，节省时间和精力。
Gemini 2.0 Flash Thinking Experimental 是一款增强推理模型，能够展示其思考过程以提升性能和可解释性。
Gemini Flash Thinking 是 Google DeepMind 推出的最新 AI 模型，专为复杂任务设计。它能够展示推理过程，帮助用户更好地理解模型的决策逻辑。该模型在数学和科学领域表现出色，支持长文本分析和代码执行功能。它旨在为开发者提供强大的工具，以推动人工智能在复杂任务中的应用。
一个基于DeepSeek API的Manim动画生成工具，用于快速创建数学和科学动画。
DeepSeek-Manim-Animation-Generator是一个结合了DeepSeek语言模型和Manim动画引擎的工具。它允许用户通过简单的文本指令生成复杂的数学和科学动画。该工具的主要优点是能够将复杂的科学概念转化为直观的动画，极大地简化了动画制作流程。DeepSeek的API提供了强大的语言理解能力，而Manim则负责将这些概念转化为高质量的视觉内容。该工具主要面向教育工作者、学生以及任何需要将科学概念可视化的专业人士。它不仅提高了动画制作的效率，还降低了技术门槛，使得更多人能够轻松创建动画。
利用先进人工智能技术，将静态照片转化为浪漫接吻动画。
AI Kissing Video Generator Free 是一款基于先进人工智能技术的在线平台，能够将普通静态照片转化为自然流畅的浪漫接吻动画。该技术利用深度学习模型，专门针对浪漫互动进行训练，确保生成的动画高度逼真且自然。产品注重用户隐私与数据安全，所有上传内容在处理后自动删除。其主要面向情侣、内容创作者、婚礼策划师等群体，提供高质量的浪漫视频生成服务。产品提供免费试用版本，同时有付费升级选项，满足不同用户的需求。
一款支持多语言的智能会议笔记助手，可自动转录、总结并支持多种工具集成。
Spellar是一款基于人工智能的会议笔记助手，支持100多种语言的语音转录和自动总结。它通过智能语音识别和自然语言处理技术，帮助用户在会议、讲座或任何需要记录的场景中高效捕捉关键信息。其主要优点包括无缝的多平台支持、高精度的语音识别和总结能力，以及强大的隐私保护功能。该产品定位为专业人士、学生和远程团队提供高效、便捷的会议记录解决方案，支持免费下载并提供多种付费订阅选项。
WebWalker是一个用于评估大型语言模型在网页遍历能力上的基准测试框架。
WebWalker是一个由阿里巴巴集团通义实验室开发的多智能体框架，用于评估大型语言模型（LLMs）在网页遍历任务中的表现。该框架通过模拟人类浏览网页的方式，通过探索和评估范式来系统地提取高质量数据。WebWalker的主要优点在于其创新的网页遍历能力，能够深入挖掘多层级信息，弥补了传统搜索引擎在处理复杂问题时的不足。该技术对于提升语言模型在开放域问答中的表现具有重要意义，尤其是在需要多步骤信息检索的场景中。WebWalker的开发旨在推动语言模型在信息检索领域的应用和发展。
PaSa 是一个由大语言模型驱动的先进学术论文搜索代理，能够自主决策并获取准确结果。
PaSa 是由字节跳动开发的一种先进学术论文搜索代理，基于大语言模型（LLM）技术，能够自主调用搜索工具、阅读论文并筛选相关参考文献，以获取复杂学术查询的全面准确结果。该技术通过强化学习优化，使用合成数据集 AutoScholarQuery 进行训练，并在真实世界查询数据集 RealScholarQuery 上表现出色，显著优于传统搜索引擎和基于 GPT 的方法。PaSa 的主要优势在于其高召回率和精准率，能够为研究人员提供更高效的学术搜索体验。
© 2025 AIbase 备案号：闽ICP备08105208号-14