产品库

Qihoo-T2X，一款针对文本到任意任务的高效扩散变换器模型。

Qihoo-T2X是由360CVGroup开发的一个开源项目，它代表了一种创新的文本到任意任务（Text-to-Any）的扩散变换器（DiT）架构范式。该项目旨在通过代理令牌技术，提高文本到任意任务的处理效率。Qihoo-T2X项目是一个正在进行中的项目，其团队承诺将持续优化和增强其功能。

增强文本与视觉任务处理能力的开源模型。

Mistral-Small-3.1-24B-Base-2503 是一款具有 240 亿参数的先进开源模型，支持多语言和长上下文处理，适用于文本与视觉任务。它是 Mistral Small 3.1 的基础模型，具有较强的多模态能力，适合企业需求。

一个AI加持的剪贴板工具，提供智能辅助功能，提升复制粘贴效率。

PasteMe 是一款创新的桌面剪贴板工具，结合了人工智能技术，旨在提升用户在复制粘贴操作中的效率和便捷性。它通过AI辅助功能，如文本分析、格式转换和内容创作，为用户提供智能化的剪贴板体验。该工具适合需要高效处理文本的用户，如程序员、文案创作者和办公人员。它开源免费，具有高度的可定制性，能够满足不同用户的需求。

一个Excel扩展插件，允许用户在Excel公式中使用大型语言模型（LLMs）。

Cellm 是一款创新的 Excel 扩展工具，它将大型语言模型（LLMs）的强大功能引入 Excel，使用户能够在单元格公式中直接调用 AI 模型来处理数据。这种技术的出现极大地提升了 Excel 在处理复杂文本数据时的效率和灵活性，尤其适用于需要对大量文本进行分类、提取、总结等操作的场景。Cellm 的主要优点是能够将 AI 技术与传统的电子表格工具无缝结合，无需用户具备编程技能即可使用。它支持多种主流的 LLM 模型，包括 Anthropic、Mistral、OpenAI 和 Google 的模型，以及本地运行的模型。Cellm 的目标是帮助用户自动化重复性任务，节省时间并提高工作效率。目前该工具免费提供给用户使用，主要面向需要高效处理文本数据的办公人员、研究人员和分析师。

ReaderLM v2是一个用于HTML转Markdown和JSON的前沿小型语言模型。

ReaderLM v2是由Jina AI推出的参数量为1.5B的小型语言模型，专门用于HTML转Markdown转换和HTML转JSON提取，具有卓越的准确性。该模型支持29种语言，能处理高达512K个token的输入和输出组合长度。它采用了新的训练范式和更高质量的训练数据，较前代产品在处理长文本内容和生成Markdown语法方面有重大进步，能熟练运用Markdown语法，擅长生成复杂元素。此外，ReaderLM v2还引入了直接HTML转JSON生成功能，允许用户根据给定的JSON架构从原始HTML中提取特定信息，消除了中间Markdown转换需求。

TransPixar: 推进带有透明度的文本到视频生成技术

TransPixar 是一种先进的文本到视频生成模型，能够生成包含透明度通道的 RGBA 视频。该技术通过结合扩散变换器（DiT）架构和 LoRA 基于微调的方法，实现了 RGB 和 Alpha 通道的高一致性生成。TransPixar 在视觉效果（VFX）和互动内容创作领域具有重要应用价值，能够为娱乐、广告和教育等行业提供多样化的内容生成解决方案。其主要优点包括高效的模型扩展性、强大的生成能力和对有限训练数据的优化处理能力。

先进的多模态大型语言模型，具备卓越的多模态推理能力。

InternVL2_5-26B-MPO-AWQ 是由 OpenGVLab 开发的多模态大型语言模型，旨在通过混合偏好优化提升模型的推理能力。该模型在多模态任务中表现出色，能够处理图像和文本之间的复杂关系。它采用了先进的模型架构和优化技术，使其在多模态数据处理方面具有显著优势。该模型适用于需要高效处理和理解多模态数据的场景，如图像描述生成、多模态问答等。其主要优点包括强大的推理能力和高效的模型架构。

多模态大型模型，处理文本、图像和视频数据

Valley-Eagle-7B是由字节跳动开发的多模态大型模型，旨在处理涉及文本、图像和视频数据的多种任务。该模型在内部电子商务和短视频基准测试中取得了最佳结果，并在OpenCompass测试中展现出与同规模模型相比的卓越性能。Valley-Eagle-7B结合了LargeMLP和ConvAdapter构建投影器，并引入了VisionEncoder，以增强模型在极端场景下的性能。

探索多模态扩散变换器中的注意力控制，实现无需调优的多提示长视频生成

DiTCtrl是一种基于多模态扩散变换器（MM-DiT）架构的视频生成模型，它专注于无需额外训练即可生成具有多个连续提示的连贯场景视频。该模型通过分析MM-DiT的注意力机制，实现了在不同提示间精确的语义控制和注意力共享，从而生成具有平滑过渡和一致对象运动的视频。DiTCtrl的主要优点包括无需训练、能够处理多提示视频生成任务，并能展示电影风格的过渡效果。此外，DiTCtrl还提供了一个新基准MPVBench，专门用于评估多提示视频生成的性能。

轻量级、快速的RAG文本分块库

Chonkie是一个为检索增强型生成（RAG）应用设计的文本分块库，它轻量级、快速，并且易于使用。该库提供了多种文本分块方法，支持多种分词器，并且具有高性能。Chonkie的主要优点包括丰富的功能、易用性、快速处理速度、广泛的支持和轻量级的设计。它适用于需要高效处理文本数据的开发者和研究人员，特别是在自然语言处理和机器学习领域。Chonkie是开源的，遵循MIT许可证，可以免费使用。

从文本中提取知识图谱三元组的管道工具

Graphusion是一个用于从文本中提取知识图谱三元组的管道工具。它通过一系列步骤，包括概念提取、候选三元组提取和三元组融合，来构建知识图谱。这个工具的重要性在于它能够帮助研究人员和开发者自动化地从大量文本数据中提取结构化信息，进而支持知识管理和数据科学项目。Graphusion的主要优点包括其自动化处理能力、对不同数据集的适应性以及灵活的配置选项。产品背景信息显示，Graphusion是由tdurieux开发的，可以在GitHub上找到相关代码和文档。目前，该工具是免费的，但具体的定价策略可能会根据开发者的更新和维护情况而变化。

高保真文本引导的音乐生成与编辑模型

MelodyFlow是一个基于文本控制的高保真音乐生成和编辑模型，它使用连续潜在表示序列，避免了离散表示的信息丢失问题。该模型基于扩散变换器架构，经过流匹配目标训练，能够生成和编辑多样化的高质量立体声样本，且具有文本描述的简单性。MelodyFlow还探索了一种新的正则化潜在反转方法，用于零样本测试时的文本引导编辑，并展示了其在多种音乐编辑提示中的优越性能。该模型在客观和主观指标上进行了评估，证明了其在标准文本到音乐基准测试中的质量与效率上与评估基线相当，并且在音乐编辑方面超越了以往的最先进技术。

一种用于扩散变换器的上下文LoRA微调技术

In-Context LoRA是一种用于扩散变换器（DiTs）的微调技术，它通过结合图像而非仅仅文本，实现了在保持任务无关性的同时，对特定任务进行微调。这种技术的主要优点是能够在小数据集上进行有效的微调，而不需要对原始DiT模型进行任何修改，只需改变训练数据即可。In-Context LoRA通过联合描述多张图像并应用任务特定的LoRA微调，生成高保真度的图像集合，更好地符合提示要求。该技术对于图像生成领域具有重要意义，因为它提供了一种强大的工具，可以在不牺牲任务无关性的前提下，为特定任务生成高质量的图像。

多模态理解和生成的统一模型

Janus是一个创新的自回归框架，它通过分离视觉编码来实现多模态理解和生成的统一。这种解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。Janus超越了以往的统一模型，并与特定任务的模型性能相匹配或超越。Janus的简单性、高灵活性和有效性使其成为下一代统一多模态模型的强有力候选者。

多模态语言模型，融合文本和语音

Spirit LM是一个基础多模态语言模型，能够自由混合文本和语音。该模型基于一个7B预训练的文本语言模型，通过持续在文本和语音单元上训练来扩展到语音模式。语音和文本序列被串联为单个令牌流，并使用一个小的自动策划的语音-文本平行语料库，采用词级交错方法进行训练。Spirit LM有两个版本：基础版使用语音音素单元（HuBERT），而表达版除了音素单元外，还使用音高和风格单元来模拟表达性。对于两个版本，文本都使用子词BPE令牌进行编码。该模型不仅展现了文本模型的语义能力，还展现了语音模型的表达能力。此外，我们展示了Spirit LM能够在少量样本的情况下跨模态学习新任务（例如ASR、TTS、语音分类）。

一个全面的AI神经网络工具目录

AILIBRI是一个汇集了超过2000个AI神经网络工具的目录网站，涵盖了文本、图像、视频、音频等多个领域的工具。它为用户寻找合适的AI工具提供了极大的便利，无论是专业人士还是初学者，都能在这里找到满足其需求的工具。该网站提供了详细的分类和搜索功能，帮助用户快速定位到所需的工具。

多模态大型语言模型，支持图像和文本处理。

Llama-3.2-11B-Vision 是 Meta 发布的一款多模态大型语言模型（LLMs），它结合了图像和文本处理的能力，旨在提高视觉识别、图像推理、图像描述和回答有关图像的一般问题的性能。该模型在常见的行业基准测试中的表现超过了众多开源和封闭的多模态模型。

利用扩散变换器生成高质量的3D资产。

3DTopia-XL 是一个基于扩散变换器（DiT）构建的高质量3D资产生成技术，使用一种新颖的3D表示方法 PrimX。该技术能够将3D形状、纹理和材质编码到一个紧凑的N x D张量中，每个标记是一个体积原语，锚定在形状表面上，用体素化载荷编码符号距离场（SDF）、RGB和材质。这一过程仅需5秒即可从文本/图像输入生成3D PBR资产，适用于图形管道。

首个多模态 Mistral 模型，支持图像和文本的混合任务处理。

Pixtral 12B 是 Mistral AI 团队开发的一款多模态 AI 模型，它能够理解自然图像和文档，具备出色的多模态任务处理能力，同时在文本基准测试中也保持了最先进的性能。该模型支持多种图像尺寸和宽高比，能够在长上下文窗口中处理任意数量的图像，是 Mistral Nemo 12B 的升级版，专为多模态推理而设计，不牺牲关键文本处理能力。

下一代智能体验，集成于iOS、iPadOS和macOS。

Apple 智能是苹果公司推出的新一代智能系统，它结合了生成式模型的强大力量和用户个人情况，带来实用且相关的智能功能。该系统深度集成于iOS 18.1、iPadOS 18.1和macOS Sequoia 15.1中，利用Apple芯片的力量理解并生成语言和图像、跨app执行操作、结合用户个人情况简化和加速日常任务，同时保护用户的隐私和安全。

AI驱动的正则表达式构建器

RegexBot是一个利用人工智能技术将自然语言转换为强大正则表达式的在线工具。它通过简化正则表达式的创建过程，帮助用户轻松掌握正则表达式的使用，提高编程效率。

视频生成的轨迹导向扩散变换器

Tora是一种基于扩散变换器（DiT）的视频生成模型，它通过集成文本、视觉和轨迹条件，实现了对视频内容动态的精确控制。Tora的设计充分利用了DiT的可扩展性，允许在不同的持续时间、纵横比和分辨率下生成高质量的视频内容。该模型在运动保真度和物理世界运动模拟方面表现出色，为视频内容创作提供了新的可能性。

在线文本编辑器，提供文本编辑、保存、复制、剪切等功能。

ChatGPT Notepad是一款在线文本编辑器，旨在帮助用户高效地编辑和处理文本内容。它支持基本的文本编辑功能，如保存、复制、剪切等，同时提供全屏模式和大小写转换等高级功能。该产品重视用户隐私保护，不使用第三方跟踪工具，确保用户数据安全。

ChatDrive是一个帮助用户组织和分享与ChatGPT、Gemini、Claude、Codey和DALL-E等模型的聊天记录的应用。

ChatDrive是一个旨在帮助用户组织和分享与ChatGPT、Gemini、Claude、Codey和DALL-E等模型的聊天记录的应用。它提供全文搜索、标签、文件夹、资源分享、专用Personas、预算管理等功能。ChatDrive的优点包括便捷的聊天记录组织、团队共享与协作、可定制的Personas、预算管理等。它适用于个人用户、团队和企业用户。

一种用于图像和文本数据的先进机器学习模型，专注于数据质量和透明度。

MetaCLIP是一个开源的机器学习模型，用于图像和文本的联合表示学习。它通过一个简单算法对CLIP数据进行筛选，不依赖于先前模型的过滤，从而提高了数据的质量和透明度。MetaCLIP的主要贡献包括无过滤的数据筛选、透明的训练数据分布、可扩展的算法和标准化的CLIP训练设置。该模型强调数据质量的重要性，并提供预训练模型，以支持研究人员和开发者进行控制实验和公平比较。

全能 AI 助手，能搜、能聊、能写、能画，带来无限可能。

天工 AI 是一款全能 AI 助手，集成了搜索、聊天、写作、绘画等多种功能于一体。其主要优点包括智能快速响应、多功能性强、深度学习技术支持。定位于为用户提供全方位的智能助手服务。

万亿参数MoE文本大模型

abab 6.5系列包含两个模型：abab 6.5和abab 6.5s，均支持200k tokens的上下文长度。abab 6.5包含万亿参数，而abab 6.5s则更高效，能在1秒内处理近3万字的文本。它们在知识、推理、数学、编程、指令遵从等核心能力测试中表现出色，接近行业领先水平。

专注长文本、多语言、垂直化

达观 “曹植” 大模型是专注于长文本、多语言、垂直化发展的国产大语言模型。具有自动化写作、翻译、专业性报告写作能力，支持多语言应用和垂直行业定制。可提供高质量文案撰写服务，广泛适用于各行业，是解决企业实际问题的智能工具。

PIXART-Σ是一个用于4K文本到图像生成的扩散变换器模型（Diffusion Transformer）

PIXART-Σ是一个直接生成4K分辨率图像的扩散变换器模型，相较于前身PixArt-α，它提供了更高的图像保真度和与文本提示更好的对齐。PIXART-Σ的关键特性包括高效的训练过程，它通过结合更高质量的数据，从“较弱”的基线模型进化到“更强”的模型，这一过程被称为“弱到强训练”。PIXART-Σ的改进包括使用更高质量的训练数据和高效的标记压缩。

您的一站式AI助手和浏览器扩展

Walle是您的一站式AI助手和浏览器扩展，集成于Chrome、Safari和Edge浏览器。它提供聊天机器人、AI阅读器、AI写手、聊天PDF、图片创作与图像阅读等功能。Walle支持写作辅助、知识查询、文本概括、翻译摘要、图像生成等多种场景，助您提升效率和创造力。