产品库

通用世界模型，支持自然语言动作和视频状态

Pandora是一个向通用世界模型迈进的模型，它能够通过生成视频来模拟世界状态，并允许使用自然语言在任何时间控制视频内容。Pandora与以往的文本到视频模型不同，它允许在视频生成过程中随时接受自由文本动作输入，从而实现视频的即时控制。这种即时控制能力实现了世界模型支持交互式内容生成和增强的健壮推理和规划的承诺。Pandora能够跨多个领域生成视频，如室内/室外、自然/城市、人类/机器人、2D/3D等场景。此外，Pandora还允许通过高质量的数据进行指令调整，使得模型能够在一个领域学习动作并在另一个未见过的领域中使用。Pandora模型还通过自回归模型生成更长的视频，其生成的视频长度可以超过训练视频的长度。尽管Pandora作为通用世界模型的初步步骤仍有限制，例如在生成一致性视频、模拟复杂场景、理解常识和物理法则以及遵循指令/动作方面可能会失败，但它在视频生成和自然语言控制方面展示了巨大的潜力。

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。

免费 AI 创作工具，生成图像、视频及 4K 增强。

vivago.ai 是一个免费的 AI 生成工具和社区，提供文本转图像、图像转视频等功能，让创作变得更加简单高效。用户可以免费生成高质量的图像和视频，支持多种 AI 编辑工具，方便用户进行创作和分享。该平台的定位是为广大创作者提供易用的 AI 工具，满足他们在视觉创作上的需求。

一种提升场景级视频生成能力的技术。

长上下文调优（LCT）旨在解决当前单次生成能力与现实叙事视频制作之间的差距。该技术通过数据驱动的方法直接学习场景级一致性，支持交互式多镜头开发和合成生成，适用于视频制作的各个方面。

一款开源的14B参数量的数学模型，通过强化学习训练，性能卓越。

Light-R1-14B-DS 是由北京奇虎科技有限公司开发的开源数学模型。该模型基于 DeepSeek-R1-Distill-Qwen-14B 进行强化学习训练，在 AIME24 和 AIME25 数学竞赛基准测试中分别达到了 74.0 和 60.2 的高分，超越了许多 32B 参数量的模型。它在轻量级预算下成功实现了对已经长链推理微调模型的强化学习尝试，为开源社区提供了一个强大的数学模型工具。该模型的开源有助于推动自然语言处理在教育领域的应用，特别是数学问题解决方面，为研究人员和开发者提供了宝贵的研究基础和实践工具。

理想同学是一款智能聊天助手，提供便捷的对话服务和智能交互体验。

理想同学是一款由北京车励行信息技术有限公司开发的智能聊天助手。它通过人工智能技术实现自然语言处理，能够与用户进行流畅的对话交互。该产品的主要优点是操作简单、响应迅速，能够为用户提供个性化的服务。它适用于多种场景，如日常聊天、信息查询等。产品目前没有明确的价格信息，但根据其功能定位，可能主要面向个人用户和企业客户。

Sesame AI 是一款先进的语音合成平台，能够生成自然对话式语音并具备情感智能。

Sesame AI 代表了下一代语音合成技术，通过结合先进的人工智能技术和自然语言处理，能够生成极其逼真的语音，具备真实的情感表达和自然的对话流程。该平台在生成类似人类的语音模式方面表现出色，同时能够保持一致的性格特征，非常适合内容创作者、开发者和企业，用于为其应用程序增添自然语音功能。目前尚不清楚其具体价格和市场定位，但其强大的功能和广泛的应用场景使其在市场上具有较高的竞争力。

BashBuddy 让你能够自然地输入命令，无需担心参数或语法。

BashBuddy 是一款旨在通过自然语言交互简化命令行操作的工具。它能够理解上下文并生成精确的命令，支持多种操作系统和 Shell 环境。BashBuddy 的主要优点在于其自然语言处理能力、跨平台支持以及对隐私的重视。它适合开发者、系统管理员以及任何需要频繁使用命令行的用户。BashBuddy 提供本地部署和云服务两种模式，本地模式完全免费且数据完全私密，而云服务则提供更快的命令生成速度，每月收费 2 美元。

MM_StoryAgent 是一个多智能体框架，用于生成沉浸式故事视频。

MM_StoryAgent 是一个基于多智能体范式的故事视频生成框架，它结合了文本、图像和音频等多种模态，通过多阶段流程生成高质量的故事视频。该框架的核心优势在于其可定制性，用户可以自定义专家工具以提升每个组件的生成质量。此外，它还提供了故事主题列表和评估标准，便于进一步的故事创作和评估。MM_StoryAgent 主要面向需要高效生成故事视频的创作者和企业，其开源特性使得用户可以根据自身需求进行扩展和优化。

OpenAI API 的 Responses 功能，用于创建和管理模型的响应。

OpenAI API 的 Responses 功能允许用户创建、获取、更新和删除模型的响应。它为开发者提供了强大的工具，用于管理模型的输出和行为。通过 Responses，用户可以更好地控制模型的生成内容，优化模型的性能，并通过存储和检索响应来提高开发效率。该功能支持多种模型，适用于需要高度定制化模型输出的场景，如聊天机器人、内容生成和数据分析等。OpenAI API 提供灵活的定价方案，适合从个人开发者到大型企业的需求。

OpenAI 提供的内置工具，用于扩展模型的能力，如网络搜索和文件搜索。

OpenAI 的内置工具是 OpenAI 平台中用于增强模型能力的功能集合。这些工具允许模型在生成响应时访问网络或文件中的额外上下文和信息。例如，通过启用网络搜索工具，模型可以使用网络上的最新信息来生成响应。这些工具的主要优点是能够扩展模型的能力，使其能够处理更复杂的任务和需求。OpenAI 平台提供了多种工具，如网络搜索、文件搜索、计算机使用和函数调用等。这些工具的使用取决于提供的提示，模型会根据提示自动决定是否使用配置的工具。此外，用户还可以通过设置工具选择参数来明确控制或指导模型的行为。这些工具对于需要实时数据或特定文件内容的场景非常有用，能够提高模型的实用性和灵活性。

一个关于大型语言模型（LLM）后训练方法的教程、调查和指南资源库。

Awesome-LLM-Post-training 是一个专注于大型语言模型（LLM）后训练方法的资源库。它提供了关于 LLM 后训练的深入研究，包括教程、调查和指南。该资源库基于论文《LLM Post-Training: A Deep Dive into Reasoning Large Language Models》，旨在帮助研究人员和开发者更好地理解和应用 LLM 后训练技术。该资源库免费开放，适合学术研究和工业应用。

一款用于生成无线条、扁平色彩风格图像和视频的LoRA模型，适用于动漫和设计领域。

Flat Color - Style是一款专为生成扁平色彩风格图像和视频设计的LoRA模型。它基于Wan Video模型训练，具有独特的无线条、低深度效果，适合用于动漫、插画和视频生成。该模型的主要优点是能够减少色彩渗出，增强黑色表现力，同时提供高质量的视觉效果。它适用于需要简洁、扁平化设计的场景，如动漫角色设计、插画创作和视频制作。该模型是免费提供给用户使用的，旨在帮助创作者快速实现具有现代感和简洁风格的视觉作品。

Gemini Embedding 是一种先进的文本嵌入模型，通过 Gemini API 提供强大的语言理解能力。

Gemini Embedding 是 Google 推出的一种实验性文本嵌入模型，通过 Gemini API 提供服务。该模型在多语言文本嵌入基准测试（MTEB）中表现卓越，超越了之前的顶尖模型。它能够将文本转换为高维数值向量，捕捉语义和上下文信息，广泛应用于检索、分类、相似性检测等场景。Gemini Embedding 支持超过 100 种语言，具备 8K 输入标记长度和 3K 输出维度，同时引入了嵌套表示学习（MRL）技术，可灵活调整维度以满足存储需求。该模型目前处于实验阶段，未来将推出稳定版本。

Wan_AI Creative Drawing 是一个利用人工智能技术进行创意绘画和视频创作的平台。

Wan_AI Creative Drawing 是一个基于人工智能技术的创意绘画和视频创作平台。它通过先进的AI模型，能够根据用户输入的文字描述生成独特的艺术作品和视频内容。这种技术不仅降低了艺术创作的门槛，还为创意工作者提供了强大的工具。产品主要面向创意专业人士、艺术家和普通用户，帮助他们快速实现创意想法。目前，该平台可能提供免费试用或付费使用，具体价格和定位需进一步确认。

NeoBase 是一款开源的 AI 数据库助手，让你用自然语言与数据库交互。

NeoBase 是一款创新的 AI 数据库助手，通过自然语言处理技术让用户能够以对话的方式与数据库进行交互。它支持多种主流数据库，如 PostgreSQL、MySQL、MongoDB 等，并且可以与 OpenAI、Google Gemini 等 LLM 客户端集成。其主要优点是简化了数据库管理流程，降低了技术门槛，使非技术用户也能轻松管理和查询数据。NeoBase 采用开源模式，用户可以根据自身需求进行定制和部署，确保数据安全性和隐私性。它主要面向需要高效管理和分析数据的企业和开发者，旨在提高数据库操作的效率和便捷性。

HunyuanVideo-I2V 是腾讯推出的基于 HunyuanVideo 的图像到视频生成框架。

HunyuanVideo-I2V 是腾讯开源的图像到视频生成模型，基于 HunyuanVideo 架构开发。该模型通过图像潜在拼接技术，将参考图像信息有效整合到视频生成过程中，支持高分辨率视频生成，并提供可定制的 LoRA 效果训练功能。该技术在视频创作领域具有重要意义，能够帮助创作者快速生成高质量的视频内容，提升创作效率。

Instella 是由 AMD 开发的高性能开源语言模型，专为加速开源语言模型的发展而设计。

Instella 是由 AMD GenAI 团队开发的一系列高性能开源语言模型，基于 AMD Instinct™ MI300X GPU 训练而成。该模型在性能上显著优于同尺寸的其他开源语言模型，并且在功能上与 Llama-3.2-3B 和 Qwen2.5-3B 等模型相媲美。Instella 提供模型权重、训练代码和训练数据，旨在推动开源语言模型的发展。其主要优点包括高性能、开源开放以及对 AMD 硬件的优化支持。

Clone是一款具有革命性人工肌肉技术Myofiber的类人机器人，能够自然行走。

Clone是一款由Clone Robotics开发的类人机器人，代表了机器人技术的前沿水平。它采用了革命性的人工肌肉技术Myofiber，能够模拟自然动物骨骼的运动。Myofiber技术在重量、功率密度、速度、力量与重量比以及能效方面达到了前所未有的水平，使机器人具备了自然的行走能力、强大的力量和灵活性。Clone不仅在技术上具有重要意义，还为未来机器人在家庭、工业和服务领域的应用提供了新的可能性。其定位为高端科技产品，目标受众是对前沿科技感兴趣的个人、科研机构和企业。

Wan2GP 是一个优化后的开源视频生成模型，专为低配置 GPU 用户设计，支持多种视频生成任务。

Wan2GP 是基于 Wan2.1 的改进版本，旨在为低配置 GPU 用户提供高效、低内存占用的视频生成解决方案。该模型通过优化内存管理和加速算法，使得普通用户也能在消费级 GPU 上快速生成高质量的视频内容。它支持多种任务，包括文本到视频、图像到视频、视频编辑等，同时具备强大的视频 VAE 架构，能够高效处理 1080P 视频。Wan2GP 的出现降低了视频生成技术的门槛，使得更多用户能够轻松上手并应用于实际场景。

ViDoRAG 是一个结合视觉文档检索增强生成的动态迭代推理代理框架。

ViDoRAG 是阿里巴巴自然语言处理团队开发的一种新型多模态检索增强生成框架，专为处理视觉丰富文档的复杂推理任务设计。该框架通过动态迭代推理代理和高斯混合模型（GMM）驱动的多模态检索策略，显著提高了生成模型的鲁棒性和准确性。ViDoRAG 的主要优点包括高效处理视觉和文本信息、支持多跳推理以及可扩展性强。该框架适用于需要从大规模文档中检索和生成信息的场景，例如智能问答、文档分析和内容创作。其开源特性和灵活的模块化设计使其成为研究人员和开发者在多模态生成领域的重要工具。

Microsoft Dragon Copilot 是一款用于医疗行业的 AI 工作空间，可简化临床文档工作流，提升效率。

Microsoft Dragon Copilot 是微软针对医疗保健领域推出的 AI 驱动的临床工作流解决方案，旨在通过自动化和智能化的文档处理技术，帮助医疗专业人员减少行政负担，专注于患者护理。该产品利用先进的自然语言处理和机器学习技术，能够自动捕捉多语言的医患对话，并将其转化为详细的临床文档。其主要优点包括高效率的文档生成、定制化功能以及与现有电子健康记录（EHR）系统的无缝集成。Dragon Copilot 面向医疗机构和临床医生，旨在通过技术提升医疗服务质量和效率，同时降低运营成本。产品定价和具体价格策略未在页面中明确提及，但通常会根据医疗机构的规模和使用范围进行定制化报价。

Migician 是一个专注于多图像定位的多模态大语言模型，能够实现自由形式的多图像精确定位。

Migician 是清华大学自然语言处理实验室开发的一种多模态大语言模型，专注于多图像定位任务。该模型通过引入创新的训练框架和大规模数据集 MGrounding-630k，显著提升了多图像场景下的精确定位能力。它不仅超越了现有的多模态大语言模型，甚至在性能上超过了更大规模的 70B 模型。Migician 的主要优点在于其能够处理复杂的多图像任务，并提供自由形式的定位指令，使其在多图像理解领域具有重要的应用前景。该模型目前在 Hugging Face 上开源，供研究人员和开发者使用。

工业级可控高效的零样本文本到语音系统

IndexTTS 是一种基于 GPT 风格的文本到语音（TTS）模型，主要基于 XTTS 和 Tortoise 进行开发。它能够通过拼音纠正汉字发音，并通过标点符号控制停顿。该系统在中文场景中引入了字符-拼音混合建模方法，显著提高了训练稳定性、音色相似性和音质。此外，它还集成了 BigVGAN2 来优化音频质量。该模型在数万小时的数据上进行训练，性能超越了当前流行的 TTS 系统，如 XTTS、CosyVoice2 和 F5-TTS。IndexTTS 适用于需要高质量语音合成的场景，如语音助手、有声读物等，其开源性质也使其适合学术研究和商业应用。

这是一个基于HunyuanVideo模型的适配器，用于基于关键帧的视频生成。

HunyuanVideo Keyframe Control Lora 是一个针对HunyuanVideo T2V模型的适配器，专注于关键帧视频生成。它通过修改输入嵌入层以有效整合关键帧信息，并应用低秩适配（LoRA）技术优化线性层和卷积输入层，从而实现高效微调。该模型允许用户通过定义关键帧精确控制生成视频的起始和结束帧，确保生成内容与指定关键帧无缝衔接，增强视频连贯性和叙事性。它在视频生成领域具有重要应用价值，尤其在需要精确控制视频内容的场景中表现出色。

TheoremExplainAgent 是一个用于生成多模态定理解释视频的智能系统。

TheoremExplainAgent 是一款基于人工智能的模型，专注于为数学和科学定理生成详细的多模态解释视频。它通过结合文本和视觉动画，帮助用户更深入地理解复杂概念。该产品利用 Manim 动画技术生成超过 5 分钟的长视频，填补了传统文本解释的不足，尤其在揭示推理错误方面表现出色。它主要面向教育领域，旨在提升学习者对 STEM 领域定理的理解能力，目前尚未明确其价格和商业化定位。

ComfyUI-WanVideoWrapper 是一个为 WanVideo 提供 ComfyUI 节点的工具。

ComfyUI-WanVideoWrapper 是一个为 WanVideo 提供 ComfyUI 节点的工具。它允许用户在 ComfyUI 环境中使用 WanVideo 的功能，实现视频生成和处理。该工具基于 Python 开发，支持高效的内容创作和视频生成，适合需要快速生成视频内容的用户。

olmOCR是一个用于将PDF线性化以用于LLM数据集训练的工具包。

olmOCR是由Allen Institute for Artificial Intelligence (AI2)开发的一个开源工具包，旨在将PDF文档线性化，以便用于大型语言模型（LLM）的训练。该工具包通过将PDF文档转换为适合LLM处理的格式，解决了传统PDF文档结构复杂、难以直接用于模型训练的问题。它支持多种功能，包括自然文本解析、多版本比较、语言过滤和SEO垃圾信息移除等。olmOCR的主要优点是能够高效处理大量PDF文档，并通过优化的提示策略和模型微调，提高文本解析的准确性和效率。该工具包适用于需要处理大量PDF数据的研究人员和开发者，尤其是在自然语言处理和机器学习领域。

Raycast 推出 AI Extensions，通过自然语言命令与电脑上的应用程序对话并执行任务。

Raycast AI Extensions 是一款面向桌面用户的生产力工具，通过自然语言交互技术，用户可以无需打开应用程序即可完成任务。它支持多种 AI 模型，能够与操作系统无缝集成，并提供个性化定制功能。该产品主要面向需要高效完成任务的专业人士，如开发者、项目经理等，目前处于 beta 版，仅面向 Pro 用户开放。

MLGym是一个用于推进AI研究代理的新框架和基准。

MLGym是由Meta的GenAI团队和UCSB NLP团队开发的一个开源框架和基准，用于训练和评估AI研究代理。它通过提供多样化的AI研究任务，推动强化学习算法的发展，帮助研究人员在真实世界的研究场景中训练和评估模型。该框架支持多种任务，包括计算机视觉、自然语言处理和强化学习等领域，旨在为AI研究提供一个标准化的测试平台。