需求人群:
"适合视频创作者、设计师等人群。为他们提供强大的视频生成工具,可快速生成高质量视频内容,满足创意需求。"
使用场景示例:
为广告制作生成逼真的视频场景
用于电影概念设计的视频创作
为游戏开发制作宣传视频
产品特色:
采用 AsymmDiT 架构,提升视频生成质量
可通过命令行或 gradio UI 运行
由 Genmo 团队开发,开源且采用宽松许可证
能处理用户提示并生成视频
经过初步评估具有高保真运动和强提示遵循性
VAE 可压缩视频至更小尺寸
使用教程:
"1. 克隆仓库并安装:git clone https://github.com/genmoai/models,cd models,pip install uv,uv venv.venv,source.venv/bin/activate,uv pip install -e.。\n2. 下载权重。\n3. 通过命令行或 gradio UI 运行:python3 -m mochi_preview.gradio_ui --model_dir \"<路径>\" 或 python3 -m mochi_preview.infer --prompt \"...\" --seed... --cfg_scale... --model_dir \"<路径>\"。"
浏览量:4
最新流量情况
月访问量
17788.20k
平均访问时长
00:05:32
每次访问页数
5.42
跳出率
44.87%
流量来源
直接访问
48.44%
自然搜索
36.49%
邮件
0.03%
外链引荐
12.04%
社交媒体
2.98%
展示广告
0
截止目前所有流量趋势图
地理流量分布情况
中国
14.62%
印度
7.73%
日本
3.41%
俄罗斯
5.72%
美国
17.44%
Genmo 的视频生成模型,具有高保真运动和强提示遵循性。
这是一个先进的视频生成模型,采用 AsymmDiT 架构,可免费试用。它能生成高保真视频,缩小了开源与闭源视频生成系统的差距。模型需要至少 4 个 H100 GPU 运行。
Mochi视频生成器的ComfyUI包装节点
ComfyUI-MochiWrapper是一个用于Mochi视频生成器的包装节点,它允许用户通过ComfyUI界面与Mochi模型进行交互。这个项目主要优点是能够利用Mochi模型生成视频内容,并且通过ComfyUI简化了操作流程。它是基于Python开发的,并且完全开源,允许开发者自由地使用和修改。目前该项目还处于积极开发中,已经有一些基本功能,但还没有正式发布版本。
开源视频生成模型
genmoai/models 是一个开源的视频生成模型,代表了视频生成技术的最新进展。该模型名为 Mochi 1,是一个基于 Asymmetric Diffusion Transformer (AsymmDiT) 架构的10亿参数扩散模型,从零开始训练,是迄今为止公开发布的最大的视频生成模型。它具有高保真运动和强提示遵循性,显著缩小了封闭和开放视频生成系统之间的差距。该模型在 Apache 2.0 许可下发布,用户可以在 Genmo 的 playground 上免费试用此模型。
高效视频生成建模的金字塔流匹配技术
Pyramid Flow 是一种高效的视频生成建模技术,它基于流匹配方法,通过自回归视频生成模型来实现。该技术主要优点是训练效率高,能够在开源数据集上以较低的GPU小时数进行训练,生成高质量的视频内容。Pyramid Flow 的背景信息包括由北京大学、快手科技和北京邮电大学共同研发,并且已经在多个平台上发布了相关的论文、代码和模型。
集成空间编织注意力,提升扩散模型的高保真条件
HelloMeme是一个集成了空间编织注意力的扩散模型,旨在将高保真和丰富的条件嵌入到图像生成过程中。该技术通过提取驱动视频中的每一帧特征,并将其作为输入到HMControlModule,从而生成视频。通过进一步优化Animatediff模块,提高了生成视频的连续性和保真度。此外,HelloMeme还支持通过ARKit面部混合形状控制生成的面部表情,以及基于SD1.5的Lora或Checkpoint,实现了框架的热插拔适配器,不会影响T2I模型的泛化能力。
文本到视频生成领域的先进模型架构
Open-Sora Plan v1.2是一个开源的视频生成模型,专注于文本到视频的转换任务。它采用3D全注意力架构,优化了视频的视觉表示,并提高了推理效率。该模型在视频生成领域具有创新性,能够更好地捕捉联合空间-时间特征,为视频内容的自动生成提供了新的技术路径。
文本到视频生成的开源模型,性能卓越。
Open-Sora-Plan是一个由北京大学元组团队开发的文本到视频生成模型。它在2024年4月首次推出v1.0.0版本,以其简单高效的设计和显著的性能在文本到视频生成领域获得了广泛认可。v1.1.0版本在视频生成质量和持续时间上进行了显著改进,包括更优的压缩视觉表示、更高的生成质量和更长的视频生成能力。该模型采用了优化的CausalVideoVAE架构,具有更强的性能和更高的推理效率。此外,它还保持了v1.0.0版本的极简设计和数据效率,并且与Sora基础模型的性能相似,表明其版本演进与Sora展示的扩展法则一致。
一款面向高质量长视频生成的实验性框架,具有扩展序列长度和增强动态特性。
Mira(Mini-Sora)是一个实验性的项目,旨在探索高质量、长时视频生成领域,特别是在模仿Sora风格的视频生成方面。它在现有文本到视频(T2V)生成框架的基础上,通过以下几个关键方面实现突破:扩展序列长度、增强动态特性以及保持3D一致性。目前,Mira项目处于实验阶段,与Sora等更高级的视频生成技术相比,仍有提升空间。
视频生成模型,支持无限长度高保真虚拟人视频生成
MuseV是一个基于扩散模型的虚拟人视频生成框架,支持无限长度视频生成,采用了新颖的视觉条件并行去噪方案。它提供了预训练的虚拟人视频生成模型,支持Image2Video、Text2Image2Video、Video2Video等功能,兼容Stable Diffusion生态系统,包括基础模型、LoRA、ControlNet等。它支持多参考图像技术,如IPAdapter、ReferenceOnly、ReferenceNet、IPAdapterFaceID等。MuseV的优势在于可生成高保真无限长度视频,定位于视频生成领域。
轻量级推理模型,用于生成高质量图像
Stable Diffusion 3.5是一个用于简单推理的轻量级模型,它包含了文本编码器、VAE解码器和核心MM-DiT技术。该模型旨在帮助合作伙伴组织实现SD3.5,并且可以用于生成高质量的图像。它的重要性在于其高效的推理能力和对资源的低要求,使得广泛的用户群体能够使用和享受生成图像的乐趣。该模型遵循Stability AI Community License Agreement,并且可以免费使用。
开源的去蒸馏FLUX模型
LibreFLUX是一个基于Apache 2.0许可的开源版本,提供了完整的T5上下文长度,使用注意力掩码,恢复了分类器自由引导,并去除了大部分FLUX美学微调/DPO。这意味着它比基础FLUX更不美观,但有潜力更容易地微调到任何新的分布。LibreFLUX的开发秉承开源软件的核心原则,即使用困难,比专有解决方案更慢、更笨拙,并且审美停留在21世纪初。
ComfyUI Desktop V1是一款提供一键安装和全新界面的桌面客户端。
ComfyUI Desktop V1是一个为Windows和macOS设计的桌面客户端,它提供了一键安装的便利性,并拥有全新的用户界面。用户可以通过加入等待名单来获得早期访问权限。这款软件的主要优点在于它的易用性和现代化的界面设计,旨在提高用户的工作效率。ComfyUI Desktop V1由Comfy Org组织开发,是一个开源项目,可以在GitHub上找到其源代码。
从手机拍摄的平移视频中生成全景视频
VidPanos 是一个创新的视频处理技术,它能够将用户随意拍摄的平移视频转换成全景视频。这项技术通过空间时间外推的方式,生成与原视频长度相同的全景视频。VidPanos 利用生成视频模型,解决了在移动物体存在时,静态全景图无法捕捉场景动态的问题。它能够处理包括人、车辆、流水以及静态背景在内的各种野外场景,展现出强大的实用性和创新性。
开源数字人课程制作平台
easegen-admin是一个开源的数字人课程制作平台,旨在通过开源为AI发展做出贡献。该平台前端基于Vue3 + element-plus实现,后端基于ruoyi-vue-pro实现,智能课件基于文多多实现。它提供了课程制作页面、我的视频页面、智能课件页面以及智能出题页面,支持视频展示和智能出题,是一个综合性的教育技术产品。
开源数字人课程制作平台
easegen-front 是一个开源的数字人课程制作平台,旨在通过结合最新的前端技术和人工智能,为教育工作者提供一个便捷、高效的课程内容制作和发布工具。该平台前端基于 Vue3 + Element Plus 构建,后端则基于 Spring Boot,支持智能课件制作和文档解析,是 AGI 时代超级个体践行者为 AI 发展做出的贡献。产品的主要优点包括开源、易用性强、技术栈先进,且适合全栈工程师和教育工作者使用。
视频生成评估基准测试
Movie Gen Bench是由Facebook Research发布的视频生成评估基准测试,旨在为未来在视频生成领域的研究提供公平且易于比较的标准。该基准测试包括Movie Gen Video Bench和Movie Gen Audio Bench两个部分,分别针对视频内容生成和音频生成进行评估。Movie Gen Bench的发布,对于推动视频生成技术的发展和评估具有重要意义,它能够帮助研究人员和开发者更好地理解和改进视频生成模型的性能。
开源的协作写作Web应用
Open Canvas是一个开源的Web应用程序,用于与代理协作以更好地撰写文档。它受到OpenAI的“Canvas”启发,但有几个关键的不同点。它完全开源,包含前端、内容生成代理和反射代理的所有代码,均采用MIT许可。它内置了反射代理,可以跨会话记忆关于您的风格规则和用户洞察。此外,它允许用户从空白文本或现有代码编辑器开始,以用户选择的语言进行操作,从而在现有内容上进行迭代。
隐私优先,自托管的全开源个人知识管理系统
SiYuan 是一个以隐私保护为核心,支持块级引用和双向链接的个人知识管理系统。它使用 TypeScript 和 Golang 编写,提供了块级内容组织、Markdown 所见即所得编辑器、内容块快照、思维导图、反向链接和引用等功能。SiYuan 支持数据的块级管理和双向链接,允许用户以非线性的方式组织内容,促进了信息的连接和知识网络的构建。此外,SiYuan 还支持数据的自托管,确保用户数据的安全性和隐私性。SiYuan 拥有活跃的社区和丰富的插件生态,支持多种操作系统,包括 Windows、macOS 和 Linux。SiYuan 的大部分功能都是免费的,但也有付费的高级功能,如数据同步等。
Flux图像编辑节点集合于ComfyUI
ComfyUI-Fluxtapoz是一个为Flux在ComfyUI中编辑图像而设计的节点集合。它允许用户通过一系列节点操作来对图像进行编辑和风格转换,特别适用于需要进行图像处理和创意工作的专业人士。这个项目目前是开源的,遵循GPL-3.0许可协议,意味着用户可以自由地使用、修改和分发该软件,但需要遵守开源许可的相关规定。
行业领先的面部操作平台
FaceFusion Labs 是一个专注于面部操作的领先平台,它利用先进的技术来实现面部特征的融合和操作。该平台主要优点包括高精度的面部识别和融合能力,以及对开发者友好的API接口。FaceFusion Labs 背景信息显示,它在2024年10月15日进行了初始提交,由Henry Ruhs主导开发。产品定位为开源项目,鼓励社区贡献和协作。
现代服务开发的终极平台
Batteries Included是一个为现代服务开发设计的全功能平台,提供源代码可用的一站式解决方案。它基于开源代码构建,支持从Docker到Knative的部署,拥有自动化安全和更新、智能自动化、高可靠性、先进的AI技术、以及易于集成的SSO等特点。这个平台旨在帮助开发者构建、部署和轻松扩展项目,同时确保数据隐私和成本效益。
开源工具,简化从非结构化文档中提取和探索结构化数据。
Knowledge Table 是一个开源工具包,旨在简化从非结构化文档中提取和探索结构化数据的过程。它通过自然语言查询界面,使用户能够创建结构化的知识表示,如表格和图表。该工具包具有可定制的提取规则、精细调整的格式化选项,并通过UI显示的数据溯源,适应多种用例。它的目标是为业务用户提供熟悉的电子表格界面,同时为开发者提供灵活且高度可配置的后端,确保与现有RAG工作流程的无缝集成。
高效能小型语言模型
Zamba2-7B是由Zyphra团队开发的一款小型语言模型,它在7B规模上超越了当前领先的模型,如Mistral、Google的Gemma和Meta的Llama3系列,无论是在质量还是性能上。该模型专为在设备上和消费级GPU上运行以及需要强大但紧凑高效模型的众多企业应用而设计。Zamba2-7B的发布,展示了即使在7B规模上,前沿技术仍然可以被小团队和适度预算所触及和超越。
高分辨率文本到图像合成模型
Meissonic是一个非自回归的掩码图像建模文本到图像合成模型,能够生成高分辨率的图像。它被设计为可以在消费级显卡上运行。这项技术的重要性在于其能够利用现有的硬件资源,为用户带来高质量的图像生成体验,同时保持了较高的运行效率。Meissonic的背景信息包括其在arXiv上发表的论文,以及在Hugging Face上的模型和代码。
与您的PDF文件进行对话
PDFtoChat是一个允许用户与PDF文件进行对话的平台。它通过AI技术分析PDF内容,让用户能够以提问的方式获取信息,极大地提高了处理文档的效率。该产品背景信息显示,它是由Together AI和Mixtral提供支持的,并且是开源的,源代码可在GitHub上找到。PDFtoChat的主要优点包括免费使用、易于上手、能够处理复杂的文档内容,并且支持开源社区的贡献。
一个由Together.ai驱动的开源AI搜索引擎。
TurboSeek是一个创新的AI搜索引擎,它通过结合Bing搜索API和先进的大型语言模型(LLMs)如Mixtral 8x7B和Llama-3,为用户提供快速、准确的搜索结果。该搜索引擎的特点是能够理解和处理自然语言查询,返回更加相关和深入的信息。它的重要性在于能够提高用户获取信息的效率,尤其是在需要处理大量数据和复杂查询时。TurboSeek的开发背景是受到Perplexity等先进搜索引擎的启发,旨在为用户提供一个更智能、更高效的搜索工具。目前,该产品是免费使用的,主要面向技术爱好者和需要处理大量信息的用户。
与数据库对话,用自然语言查询数据。
Chat with your Database 是一个创新的数据库交互工具,它允许用户通过自然语言与Postgres数据库进行交互。利用AI技术,用户可以轻松地查询、分析和操作数据库,而无需编写复杂的SQL代码。该产品支持开源,鼓励社区参与开发和贡献,代码在GitHub上公开,用户可以自由探索、贡献或定制以满足特定需求。
小型语言模型调研、测量与洞察
SLM_Survey是一个专注于小型语言模型(SLMs)的研究项目,旨在通过调研和测量,提供对这些模型的深入了解和技术评估。该项目涵盖了基于Transformer的、仅解码器的语言模型,参数范围在100M至5B之间。通过对59个最先进的开源SLMs进行调研,分析了它们的技术创新,并在多个领域评估了它们的能力,包括常识推理、上下文学习、数学和编程。此外,还对它们的运行时成本进行了基准测试,包括推理延迟和内存占用。这些研究对于推动SLMs领域的研究具有重要价值。
一款文本转语音工具,帮助您轻松阅读文本。
Praises是一款文本转语音(TTS)工具,它通过将文本转换为语音输出,帮助用户更轻松地获取信息。这款工具支持多种API,包括Azure API、Edge API等,并且支持多语言,使得它能够服务于全球用户。Praises的主要优点包括支持多种语音合成技术、易于集成和使用,以及开源的特性,使得开发者可以自由地修改和优化。Praises的背景信息显示,它是由个人开发者ElmTran开发的,并且遵循MIT开源协议,这意味着用户可以免费使用和修改该软件。
机器学习工程能力的AI代理评估基准
MLE-bench是由OpenAI推出的一个基准测试,旨在衡量AI代理在机器学习工程方面的表现。该基准测试汇集了75个来自Kaggle的机器学习工程相关竞赛,形成了一套多样化的挑战性任务,测试了训练模型、准备数据集和运行实验等现实世界中的机器学习工程技能。通过Kaggle公开的排行榜数据,为每项竞赛建立了人类基准。使用开源代理框架评估了多个前沿语言模型在该基准上的表现,发现表现最佳的设置——OpenAI的o1-preview配合AIDE框架——在16.9%的竞赛中至少达到了Kaggle铜牌的水平。此外,还研究了AI代理的各种资源扩展形式以及预训练污染的影响。MLE-bench的基准代码已经开源,以促进未来对AI代理机器学习工程能力的理解。
© 2024 AIbase 备案号:闽ICP备08105208号-14