产品库

AI辅助创作，瞬间打造吸睛故事

Hypesaga是一款AI辅助创作平台，让你在瞬间打造吸睛故事。它能够帮助你生成悬疑、创造力、动作等不同类型的故事，为你提供创作灵感和帮助。通过Hypesaga，你可以解放你的创造力，快速生成引人入胜的故事。

生成高质量图像描述的AI模型

HunyuanCaptioner是一款基于LLaVA实现的文本到图像技术模型，能够生成与图像高度一致的文本描述，包括物体描述、物体关系、背景信息、图像风格等。它支持中文和英文的单图和多图推理，并可通过Gradio进行本地演示。

智能卖货主播大模型，提升销售效率，增强购物体验。

Streamer-Sales 销冠是一个基于大语言模型的智能卖货主播系统，它能够根据商品特点从激发用户购买意愿的角度出发进行商品解说。该模型在 InternLM2 的基础上通过指令微调而来，集成了 LMDeploy 加速推理，支持 ASR 语音生成文字，RAG 检索增强生成，Agent 网络查询等功能，并通过 TTS 技术生成带有感情的语音，最终生成主播数字人视频，为商品解说提供全方位的技术支持。

通过生成运动场适应实现单图像动画化

MOFA-Video是一种能够将单张图片通过各种控制信号动画化的方法。它采用了稀疏到密集(S2D)运动生成和基于流的运动适应技术，可以有效地使用轨迹、关键点序列及其组合等不同类型的控制信号来动画化单张图片。在训练阶段，通过稀疏运动采样生成稀疏控制信号，然后训练不同的MOFA-Adapters来通过预训练的SVD生成视频。在推理阶段，不同的MOFA-Adapters可以组合起来共同控制冻结的SVD。

无需编写代码即可创建智能代理的LLM工具。

Nerve是一个可以创建具有状态的代理的LLM工具，用户无需编写代码即可定义和执行复杂任务。它通过动态更新系统提示和在多个推理过程中保持状态，使代理能够规划和逐步执行完成任务所需的操作。Nerve支持任何通过ollama、groq或OpenAI API可访问的模型，具有高度的灵活性和效率，同时注重内存安全。

本地机器智能的探索之旅

Local III是一个由超过100名来自世界各地的开发者共同开发的更新，它提供了易于使用的本地模型浏览器，深度集成了推理引擎如Ollama，为开放模型如Llama3、Moondream和Codestral定制了配置文件，并提供了一套设置，使离线代码解释更加可靠。Local III还引入了一个免费的、托管的、可选的模型通过解释器--model i。与i模型的对话将用于训练我们自己的开源计算机控制语言模型。

智能AI模型，提供高效、低成本的智能服务。

Claude 3.5 Sonnet是Anthropic公司推出的一款AI模型，它在智能、速度和成本之间取得了显著的平衡。此模型在研究生级推理、本科生级知识以及编程熟练度方面设立了新的行业基准，特别擅长理解细微差别、幽默和复杂指令，并能以自然、亲切的语调撰写高质量内容。此外，它在视觉推理、图表解读和图像文字转录方面也表现出色，是零售、物流和金融服务等行业的理想选择。

使用大型语言模型编辑大型代码库的工具。

Moatless Tools 是一个业余项目，作者在这里尝试一些关于如何使用大型语言模型(LLMs)来编辑大型现有代码库的想法。项目认为，构建好工具以插入正确的上下文到提示中并处理响应，比依赖代理推理解决方案更为关键。

先进的机器学习模型，助力非商业研究。

Meta Chameleon是由Meta公司开发的一款机器学习模型，它为非商业研究用途提供支持，包括研究、开发、教育、处理或分析等，并不以商业利益或对您或他人的货币补偿为主要目的。模型包括机器学习模型代码、训练好的模型权重、推理启用代码、训练启用代码、微调启用代码、演示材料等。

开源代码语言模型，支持多编程语言。

DeepSeek-Coder-V2是一个开源的Mixture-of-Experts代码语言模型，性能可与GPT4-Turbo相媲美，在代码特定任务上表现突出。它通过额外的6万亿个token进一步预训练，增强了编码和数学推理能力，同时保持了在一般语言任务上的相似性能。与DeepSeek-Coder-33B相比，在代码相关任务、推理和一般能力方面都有显著进步。此外，它支持的编程语言从86种扩展到338种，上下文长度从16K扩展到128K。

数学作为黑箱的深度学习模型

MathBlackBox是一个深度学习模型，旨在探索数学问题解决的黑箱方法。它使用VLLM或其他OpenAI兼容的方法，通过Huggingface工具包和OpenAI进行推理，支持在Slurm环境下运行，并能够处理多种数据集。该项目目前处于早期阶段，需要充分测试后才能部署到实际产品中。

开源代码语言模型，提升编程和数学推理能力。

DeepSeek-Coder-V2是一个开源的专家混合模型(Mixture-of-Experts, MoE)，专为代码语言设计，其性能与GPT4-Turbo相当。它在代码特定任务上表现优异，同时在通用语言任务上保持了相当的性能。与DeepSeek-Coder-33B相比，V2版本在代码相关任务和推理能力上都有显著提升。此外，它支持的编程语言从86种扩展到了338种，上下文长度也从16K扩展到了128K。

开源代码语言模型，提升编程智能。

DeepSeek-Coder-V2是一个开源的Mixture-of-Experts (MoE) 代码语言模型，性能与GPT4-Turbo相当，在代码特定任务上表现卓越。它在DeepSeek-Coder-V2-Base的基础上，通过6万亿token的高质量多源语料库进一步预训练，显著增强了编码和数学推理能力，同时保持了在通用语言任务上的性能。支持的编程语言从86种扩展到338种，上下文长度从16K扩展到128K。

NVIDIA的高级语言模型，优化于英文对话场景。

Nemotron-4-340B-Instruct是由NVIDIA开发的大型语言模型(LLM)，专为英文单轮和多轮对话场景优化。该模型支持4096个token的上下文长度，经过监督式微调(SFT)、直接偏好优化(DPO)和奖励感知偏好优化(RPO)等额外的对齐步骤。模型在约20K人工标注数据的基础上，通过合成数据生成管道合成了超过98%的用于监督微调和偏好微调的数据。这使得模型在人类对话偏好、数学推理、编码和指令遵循方面表现良好，并且能够为多种用例生成高质量的合成数据。

高性能图像生成模型的蒸馏加速版本

HunyuanDiT Distillation Acceleration 是腾讯 Hunyuan 团队基于 HunyuanDiT 模型开发的蒸馏加速版本。通过渐进式蒸馏方法，在不降低性能的情况下，实现了推理速度的两倍提升。该模型支持多种GPU和推理模式，能够显著减少时间消耗，提高图像生成效率。

多模态语言模型的视觉推理工具

Visual Sketchpad 是一种为多模态大型语言模型（LLMs）提供视觉草图板和绘图工具的框架。它允许模型在进行规划和推理时，根据自己绘制的视觉工件进行操作。与以往使用文本作为推理步骤的方法不同，Visual Sketchpad 使模型能够使用线条、框、标记等更接近人类绘图方式的元素进行绘图，从而更好地促进推理。此外，它还可以在绘图过程中使用专家视觉模型，例如使用目标检测模型绘制边界框，或使用分割模型绘制掩码，以进一步提高视觉感知和推理能力。

用于训练大型语言模型的开源合成数据生成管道。

Nemotron-4 340B是NVIDIA发布的一系列开放模型，专为生成合成数据以训练大型语言模型（LLMs）而设计。这些模型经过优化，可以与NVIDIA NeMo和NVIDIA TensorRT-LLM配合使用，以提高训练和推理的效率。Nemotron-4 340B包括基础、指令和奖励模型，形成一个生成合成数据的管道，用于训练和完善LLMs。这些模型在Hugging Face上提供下载，并很快将在ai.nvidia.com上提供，作为NVIDIA NIM微服务的一部分。

人工智能通用推理测试集

ARC-AGI是一个旨在测试人工智能系统是否具备类似人类一般流体智力的抽象和推理能力的数据集。它由400个训练任务和400个评估任务组成，每个任务都以JSON格式存储，包括输入输出对。该数据集可以作为人工智能基准测试、程序合成基准测试或心理测量智力测试。

专为智能手机设计的高效大型语言模型推理框架

PowerInfer-2是一个为智能手机特别优化的推理框架，支持高达47B参数的MoE模型，实现了每秒11.68个token的推理速度，比其他框架快22倍。它通过异构计算和I/O-Compute流水线技术，显著减少了内存使用，并提高了推理速度。该框架适用于需要在移动设备上部署大型模型的场景，以增强数据隐私和性能。

先进的文本到图像AI模型，实现高质量图像生成。

Stable Diffusion 3 Medium是Stability AI迄今为止发布的最先进文本到图像生成模型。它具有2亿参数，提供出色的细节、色彩和光照效果，支持多种风格。模型对长文本和复杂提示的理解能力强，能够生成具有空间推理、构图元素、动作和风格的图像。此外，它还实现了前所未有的文本质量，减少了拼写、字距、字母形成和间距的错误。模型资源效率高，适合在标准消费级GPU上运行，且具备微调能力，可以吸收小数据集中的细微细节，非常适合定制化。

提升大型语言模型的推理准确性和效率

Buffer of Thoughts (BoT) 是一种新型的思考增强推理方法，旨在提高大型语言模型（LLMs）的准确性、效率和鲁棒性。通过引入一个元缓冲区来存储从各种任务的问题解决过程中提取的高级思考模板，称为思考模板。对于每个问题，检索一个相关的思考模板，并适应性地将其实例化为特定的推理结构以进行高效推理。此外，还提出了一个缓冲区管理器来动态更新元缓冲区，从而随着解决更多任务而增强其容量。

支持多种语音识别和语音合成功能的开源项目

sherpa-onnx 是一个基于下一代 Kaldi 的语音识别和语音合成项目，使用onnxruntime进行推理，支持多种语音相关功能，包括语音转文字(ASR)、文字转语音(TTS)、说话人识别、说话人验证、语言识别、关键词检测等。它支持多种平台和操作系统，包括嵌入式系统、Android、iOS、Raspberry Pi、RISC-V、服务器等。

专为角色扮演优化的大型语言模型

Higgs-Llama-3-70B是一个基于Meta-Llama-3-70B的后训练模型，特别针对角色扮演进行了优化，同时在通用领域指令执行和推理方面保持竞争力。该模型通过监督式微调，结合人工标注者和私有大型语言模型构建偏好对，进行迭代偏好优化以对齐模型行为，使其更贴近系统消息。与其它指令型模型相比，Higgs模型更紧密地遵循其角色。

一种通过3D感知递归扩散生成3D模型的框架

Ouroboros3D是一个统一的3D生成框架，它将基于扩散的多视图图像生成和3D重建集成到一个递归扩散过程中。该框架通过自条件机制联合训练这两个模块，使它们能够相互适应，以实现鲁棒的推理。在多视图去噪过程中，多视图扩散模型使用由重建模块在前一时间步渲染的3D感知图作为附加条件。递归扩散框架与3D感知反馈相结合，提高了整个过程的几何一致性。实验表明，Ouroboros3D框架在性能上优于将这两个阶段分开训练的方法，以及在推理阶段将它们结合起来的现有方法。

新一代开源预训练模型，支持多轮对话和多语言。

GLM-4-9B-Chat-1M 是智谱 AI 推出的新一代预训练模型，属于 GLM-4 系列的开源版本。它在语义、数学、推理、代码和知识等多方面的数据集测评中展现出较高的性能。该模型不仅支持多轮对话，还具备网页浏览、代码执行、自定义工具调用和长文本推理等高级功能。支持包括日语、韩语、德语在内的26种语言，并特别推出了支持1M上下文长度的模型版本，适合需要处理大量数据和多语言环境的开发者和研究人员使用。

新一代多语言预训练模型，支持长文本和代码执行。

GLM-4-9B-Chat是智谱AI推出的新一代预训练模型GLM-4系列中的开源版本，具备多轮对话、网页浏览、代码执行、自定义工具调用和长文本推理等高级功能。支持包括日语、韩语、德语在内的26种语言，并且推出了支持1M上下文长度的模型。

新一代开源预训练模型，支持多语言和高级功能

GLM-4-9B是智谱AI推出的新一代预训练模型，属于GLM-4系列中的开源版本。它在语义、数学、推理、代码和知识等多方面的数据集测评中表现优异，具备多轮对话、网页浏览、代码执行、自定义工具调用和长文本推理等高级功能。此外，还支持包括日语、韩语、德语在内的26种语言，并有支持1M上下文长度的模型版本。

开源多语言多模态对话模型

GLM-4系列是智谱AI推出的新一代预训练模型，包括GLM-4-9B、GLM-4-9B-Chat、GLM-4-9B-Chat-1M和GLM-4V-9B。这些模型在语义理解、数学推理、代码执行等方面表现出色，支持多达26种语言，并具备网页浏览、代码执行等高级功能。GLM-4V-9B模型还具备高分辨率的视觉理解能力，适合多模态应用场景。

AI助力教育，智能校园助手

ChatGPT Edu是OpenAI为大学校园设计的一款AI模型，旨在负责任地将人工智能技术引入学生、教职工、研究人员和校园运营中。该模型基于GPT-4o构建，能够进行文本和视觉推理，并使用数据分析等高级工具。它具有企业级的安全和控制功能，价格对教育机构而言是可承受的。ChatGPT Edu的推出基于牛津大学、宾夕法尼亚大学沃顿商学院、德克萨斯大学奥斯汀分校、亚利桑那州立大学和纽约哥伦比亚大学等在使用ChatGPT企业版时取得的成功。

一种新的文本条件高分辨率生成模型

Phased Consistency Model（PCM）是一种新型的生成模型，旨在解决Latent Consistency Model（LCM）在文本条件高分辨率生成中的局限性。PCM通过创新的策略在训练和推理阶段提高了生成质量，并通过广泛的实验验证了其在不同步骤（1步、2步、4步、8步、16步）下与Stable Diffusion和Stable Diffusion XL基础模型的结合效果。