产品库

高质量3D对象生成模型

Stable Zero123是一种用于视图条件图像生成的内部训练模型。与之前的尖端技术Zero123-XL相比，Stable Zero123产生了显着改进的结果。它通过三项关键创新实现了这一目标：1. 从Objaverse中大幅过滤的改进训练数据集，仅保留高质量的3D对象，并且比以前的方法更加真实地渲染。2. 在训练和推断过程中，我们为模型提供了估计的摄像机角度。这种高程条件使其能够做出更明智、更高质量的预测。3. 预先计算的数据集（预先计算的潜变量）和支持更高批处理量的改进数据加载器，再加上第一项创新，使得训练效率比Zero123-XL提高了40倍。该模型现在已经在Hugging Face上发布，以便研究人员和非商业用户下载和进行实验。

Midjourney v6让社区用户在冬季休假期间测试alpha版模型

Midjourney v6是一个图像生成模型，具有更准确的提示追随、更长的提示、提高的一致性和模型知识、改进的图像提示和混音模式等功能。该模型适用于生产力、设计、写作等场景。Midjourney v6在冬季休假期间开放给社区进行测试，目前是alpha版本，功能和定价可能会有所变化。

在线生图的 AI 模型分享社区

吐司 Tusi.Art 是一个在线生图的 AI 模型分享社区，用户可以在这里分享和使用 AI 模型进行图像创作。该平台提供免费的在线生图服务，用户可以上传自己的模型或者使用其他人分享的模型进行图像生成。通过吐司 Tusi.Art，用户可以轻松创建出独特、有趣的图像作品。

基于2D扩散的文本到3D生成

DreamFusion是一款基于预训练的2D文本到图像扩散模型，用于生成高保真度的、可调光的3D对象。它通过使用梯度下降优化随机初始化的3D模型（Neural Radiance Field）来生成3D对象，并且可以从任意角度观察、任意照明重新照亮或与任何3D环境合成。DreamFusion不需要3D训练数据，也不需要对图像扩散模型进行修改，展示了预训练图像扩散模型作为先验的有效性。

将真实数据或想象转化为3D世界模型

CSM AI是一个多模态的3D生成平台，可以从视频、图像或文本生成高分辨率的几何体、纹理和神经辐射场。它可以快速准确地创建环境和游戏，为开发者提供了全新的体验。CSM AI还提供API，方便开发者将其集成到自己的应用或平台中。适用于创建沉浸式的模拟器和游戏。

实现灵活且高保真度的图像生成，同时保持身份特征。

InfiniteYou（InfU）是一个基于扩散变换器的强大框架，旨在实现灵活的图像重构，并保持用户身份。它通过引入身份特征并采用多阶段训练策略，显著提升了图像生成的质量和美学，同时改善了文本与图像的对齐。该技术对提高图像生成的相似性和美观性具有重要意义，适用于各种图像生成任务。

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。

使用 SREF 代码轻松生成特定视觉风格的 AI 艺术。

Midjourney SREF 代码是一项允许用户将特定视觉风格应用于图像生成的功能。使用 SREF 代码可以简化风格描述，使得创作一致的艺术作品变得更加容易。该技术帮助用户探索和分享不同的艺术风格，是 AI 艺术创作的重要工具。

Selene API 是一款用于评估 AI 应用性能的先进工具，提供精准的评分和反馈。

Selene API 是 Atla AI 推出的一款先进的人工智能评估模型。它通过使用世界领先的 LLM-as-a-Judge 技术，能够对 AI 应用进行精准的评估。该产品的主要优点是其高准确性和可靠性，能够在各种评估基准上超越前沿模型。它不仅能够提供准确的评分，还能生成具有可操作性的反馈意见，帮助开发者优化他们的 AI 应用。Selene API 的背景信息显示，它是由 Atla AI 公司开发的，该公司致力于构建安全的人工智能未来。目前，该产品提供免费试用，并采用基于使用量的定价模式。

Inductive Moment Matching 是一种新型的生成模型，用于高质量图像生成。

Inductive Moment Matching (IMM) 是一种先进的生成模型技术，主要用于高质量图像生成。该技术通过创新的归纳矩匹配方法，显著提高了生成图像的质量和多样性。其主要优点包括高效性、灵活性以及对复杂数据分布的强大建模能力。IMM 由 Luma AI 和斯坦福大学的研究团队开发，旨在推动生成模型领域的发展，为图像生成、数据增强和创意设计等应用提供强大的技术支持。该项目开源了代码和预训练模型，方便研究人员和开发者快速上手和应用。

R1-Omni 是一个结合强化学习的全模态情绪识别模型，专注于提升多模态情绪识别的可解释性。

R1-Omni 是一个创新的多模态情绪识别模型，通过强化学习提升模型的推理能力和泛化能力。该模型基于 HumanOmni-0.5B 开发，专注于情绪识别任务，能够通过视觉和音频模态信息进行情绪分析。其主要优点包括强大的推理能力、显著提升的情绪识别性能以及在分布外数据上的出色表现。该模型适用于需要多模态理解的场景，如情感分析、智能客服等领域，具有重要的研究和应用价值。

私密且无审查的人工智能平台，提供文本、图像和代码生成等功能。

Venice 是一个以隐私保护为核心的人工智能平台，提供文本生成、图像生成和代码生成等多种功能。它强调用户数据的私密性，所有数据仅存储在用户设备上，不会上传至服务器。该平台利用领先的开源 AI 技术，提供无审查、无偏见的智能服务，旨在为用户提供一个自由探索创意和知识的环境。Venice 提供免费和付费两种账户选项，付费用户可享受更高分辨率的图像、无水印、无限制的提示次数等高级功能。

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。

一个用于将几乎所有内容转换为Markdown格式的Model Context Protocol服务器。

Markdownify是一个基于Model Context Protocol的服务器工具，能够将多种文件类型和网络内容转换为Markdown格式。它支持PDF、图片、音频（含转录）、DOCX、XLSX、PPTX等多种文件格式的转换，还能将YouTube视频字幕、Bing搜索结果和网页内容转换为Markdown。该工具对于需要高效整理和分享信息的用户来说非常实用，尤其是在处理大量非结构化数据时，能够快速生成可读性强的Markdown文本，提高工作效率。

一种用于可变多层透明图像生成的匿名区域变换器技术。

ART 是一种基于深度学习的图像生成技术，专注于生成可变多层透明图像。它通过匿名区域布局和 Transformer 架构，实现了高效的多层图像生成。该技术的主要优点包括高效性、灵活性以及对多层图像生成的支持。它适用于需要精确控制图像层的场景，如图形设计、视觉特效等领域。目前未明确提及价格和具体定位，但其技术特性表明它可能面向专业用户和企业级应用。

CogView4-6B 是一个强大的文本到图像生成模型，专注于高质量图像生成。

CogView4-6B 是由清华大学知识工程组开发的文本到图像生成模型。它基于深度学习技术，能够根据用户输入的文本描述生成高质量的图像。该模型在多个基准测试中表现优异，尤其是在中文文本生成图像方面具有显著优势。其主要优点包括高分辨率图像生成、支持多种语言输入以及高效的推理速度。该模型适用于创意设计、图像生成等领域，能够帮助用户快速将文字描述转化为视觉内容。

CogView4 是一个支持中文和英文的高分辨率文本到图像生成模型。

CogView4 是由清华大学开发的先进文本到图像生成模型，基于扩散模型技术，能够根据文本描述生成高质量图像。它支持中文和英文输入，并且可以生成高分辨率图像。CogView4 的主要优点是其强大的多语言支持和高质量的图像生成能力，适合需要高效生成图像的用户。该模型在 ECCV 2024 上展示，具有重要的研究和应用价值。

微软Copilot是您的AI助手，支持聊天、图像生成、文本编辑等功能，助力日常工作和生活。

Microsoft Copilot是一款由微软开发的AI助手应用，基于OpenAI和微软的AI技术，旨在为用户提供高效、便捷的智能助手服务。它能够帮助用户快速获取信息、生成文本和图像，提升工作效率和创造力。该应用支持多种语言，界面简洁易用，适合不同用户群体。它不仅适用于个人生活，还能在商业和教育场景中发挥重要作用，是一款免费的生产力工具。

强大的AI图像生成与编辑工具，助力设计师和创意工作者将想象力变为现实。

神采AI是一款专注于图像生成与编辑的AI工具，采用先进的AIGC技术，提供多种设计风格和功能，帮助用户快速生成高质量的图像、视频和动画。其主要优点包括操作简单、功能多样、生成效果逼真。该产品面向设计师、市场营销人员、学生等群体，旨在提升设计效率，降低创作门槛。目前提供免费试用服务，适合各类创意工作者。

AI co-scientist 是一个基于 Gemini 2.0 的多智能体 AI 系统，旨在帮助科学家生成新的研究假设和实验方案，加速科学发现。

AI co-scientist 是谷歌研究团队开发的一款多智能体 AI 系统，旨在通过人工智能技术辅助科学研究。该系统基于 Gemini 2.0 构建，能够模拟科学方法的推理过程，生成新的研究假设和实验方案。它通过多智能体协作，利用生成、反思、排名、进化等多种机制，不断优化输出结果。AI co-scientist 的主要优点包括高效生成新颖的科学假设、强大的跨学科知识整合能力以及与科学家的协作能力。该系统目前处于研究阶段，通过与全球顶尖科研机构合作，验证其在生物医学等领域的应用潜力。

WHAM 是微软开发的一种生成式游戏模型，用于生成游戏视觉和控制器动作。

WHAM（World and Human Action Model）是由微软研究院开发的一种生成式模型，专门用于生成游戏场景和玩家行为。该模型基于Ninja Theory的《Bleeding Edge》游戏数据训练，能够生成连贯、多样化的游戏视觉和控制器动作。WHAM 的主要优点在于其能够捕捉游戏环境的3D结构和玩家行为的时间序列，为游戏设计和创意探索提供了强大的工具。该模型主要面向学术研究和游戏开发领域，帮助开发者快速迭代游戏设计。

Pippo 是一个从单张照片生成高分辨率多人视角视频的生成模型。

Pippo 是由 Meta Reality Labs 和多所高校合作开发的生成模型，能够从单张普通照片生成高分辨率的多人视角视频。该技术的核心优势在于无需额外输入（如参数化模型或相机参数），即可生成高质量的 1K 分辨率视频。它基于多视角扩散变换器架构，具有广泛的应用前景，如虚拟现实、影视制作等。Pippo 的代码已开源，但不包含预训练权重，用户需要自行训练模型。

OmniParser V2 是一种将任何 LLM 转化为计算机使用代理的技术。

OmniParser V2 是微软研究团队开发的一种先进的人工智能模型，旨在将大型语言模型（LLM）转化为能够理解和操作图形用户界面（GUI）的智能代理。该技术通过将界面截图从像素空间转换为可解释的结构化元素，使 LLM 能够更准确地识别可交互图标，并在屏幕上执行预定动作。OmniParser V2 在检测小图标和快速推理方面取得了显著进步，其结合 GPT-4o 在 ScreenSpot Pro 基准测试中达到了 39.6% 的平均准确率，远超原始模型的 0.8%。此外，OmniParser V2 还提供了 OmniTool 工具，支持与多种 LLM 结合使用，进一步推动了 GUI 自动化的发展。

Krea Chat 是一个由 DeepSeek 提供支持的 AI 聊天工具，将 Krea 的所有功能集成到聊天界面中。

Krea Chat 是一款基于 AI 的设计工具，通过聊天界面提供强大的设计功能。它结合了 DeepSeek 的 AI 技术和 Krea 的设计工具套件，用户可以通过自然语言交互生成图像、视频等设计内容。这种创新的交互方式极大地简化了设计流程，降低了设计门槛，使用户能够快速实现创意。Krea Chat 的主要优点包括易于使用、高效生成设计内容以及强大的 AI 驱动功能。它适合需要快速生成设计素材的创作者、设计师和市场营销人员，能够帮助他们节省时间并提升工作效率。

Goku 是一款基于流的视频生成基础模型，专注于高质量视频生成。

Goku 是一个专注于视频生成的人工智能模型，能够根据文本提示生成高质量的视频内容。该模型基于先进的流式生成技术，能够生成流畅且具有吸引力的视频，适用于多种场景，如广告、娱乐和创意内容制作。Goku 的主要优点在于其高效的生成能力和对复杂场景的出色表现能力，能够显著降低视频制作成本，同时提升内容的吸引力。该模型由香港大学和字节跳动的研究团队共同开发，旨在推动视频生成技术的发展。

Janus Pro 是一款先进的 AI 图像生成与理解平台，提供高质量的视觉智能服务。

Janus Pro 是由 DeepSeek 技术驱动的先进 AI 图像生成与理解平台。它采用革命性的统一变换器架构，能够高效处理复杂的多模态操作，实现图像生成和理解的卓越性能。该平台训练了超过 9000 万个样本，其中包括 7200 万个合成美学数据点，确保生成的图像在视觉上具有吸引力且上下文准确。Janus Pro 为开发者和研究人员提供强大的视觉 AI 能力，帮助他们实现从创意到视觉叙事的转变。平台提供免费试用，适合需要高质量图像生成和分析的用户。

一个基于语音交互的故事创作聊天机器人，提供沉浸式的“选择你自己的冒险”体验。

该产品利用 Gemini 2.0 语言模型和 Google Imagen 图像生成技术，结合语音识别和语音合成，为用户提供一个互动式的故事创作体验。用户可以通过语音输入选择故事走向，系统会实时生成故事内容和相关图像。该产品的主要优点是创新的交互方式和强大的内容生成能力，适合用于教育、娱乐和创意启发。目前该产品处于开源阶段，未明确具体定价，主要面向开发者和教育机构。

SliderSpace 是一种用于分解扩散模型视觉能力的技术，通过直观的滑块实现对模型的可控性和可解释性。

SliderSpace 是一项创新技术，旨在提高扩散模型的可控性和可解释性。它通过自动发现模型内部的视觉知识，将其分解为直观的滑块，用户可以通过这些滑块轻松调整图像生成的方向。该技术不仅能够揭示模型对不同概念的理解，还能显著提高图像生成的多样性。SliderSpace 的主要优点包括自动化发现方向、语义正交性和分布一致性，使其成为探索和利用扩散模型视觉能力的强大工具。该技术目前处于研究阶段，尚未明确具体的价格和商业定位。

Google Imagen 3通过Gemini API开放使用，每张图像成本0.03美元，可生成多种风格图像。

Google Imagen 3是Google推出的图像生成模型，通过Gemini API向开发者开放。它能够根据用户输入的文本提示生成高质量图像，支持多种艺术风格，如超现实主义、印象派、抽象艺术等。该模型在图像细节和色彩处理上表现出色，适用于艺术创作、广告设计、游戏开发等创意工作。其主要优点包括高效的提示跟踪能力、丰富的自定义选项以及成本效益。此外，为防止误用，所有生成图像均带有不可见水印。定价为每张图像0.03美元，适合需要批量生成图像的开发者和企业。