产品库

大规模图像编辑数据集

UltraEdit是一个大规模的图像编辑数据集，包含约400万份编辑样本，自动生成，基于指令的图像编辑。它通过利用大型语言模型（LLMs）的创造力和人类评估员的上下文编辑示例，提供了一个系统化的方法来生产大规模和高质量的图像编辑样本。UltraEdit的主要优点包括：1) 它通过利用大型语言模型的创造力和人类评估员的上下文编辑示例，提供了更广泛的编辑指令；2) 其数据源基于真实图像，包括照片和艺术作品，提供了更大的多样性和减少了偏见；3) 它还支持基于区域的编辑，通过高质量、自动生成的区域注释得到增强。

基于记忆的RAG框架，用于全目的应用

MemoRAG是一个基于记忆的RAG框架，它通过高效的超长记忆模型，为各种应用提供支持。与传统的RAG不同，MemoRAG利用其记忆模型实现对整个数据库的全局理解，通过从记忆中回忆查询特定的线索，增强证据检索，从而生成更准确、更丰富的上下文响应。MemoRAG的开发活跃，不断有资源和原型在此仓库发布。

细粒度对象切割工具，用于精确编辑图像。

finegrain-object-cutter 是一个基于Hugging Face Spaces平台的图像编辑工具，它利用先进的机器学习技术来实现对图像中对象的细粒度切割。该工具的主要优点在于其高精度和易用性，用户可以通过简单的操作来实现复杂的图像编辑任务。它特别适合需要对图像进行精细处理的设计师和开发者，可以广泛应用于图像编辑、增强现实、虚拟现实等领域。

旨在帮助我们理解AI代理的工程化提示项目。

SuperPrompt是一个开源项目，旨在通过精心设计的提示来帮助我们更好地理解人工智能代理。该项目由多个阶段组成，目前仍处于永远的测试阶段。它不仅适用于Claude这样的大型语言模型，也适用于其他类似的模型。项目在移动设备上创建，预期将不断改进。SuperPrompt通过一系列复杂的逻辑和数学结构，旨在探索和扩展AI的认知边界，推动AI技术的发展。

模块化研究导向的检索增强生成统一框架

RAGLAB是一个模块化、研究导向的开源框架，专注于检索增强生成(RAG)算法。它提供了6种现有RAG算法的复现，以及一个包含10个基准数据集的全面评估系统，支持公平比较不同RAG算法，并便于高效开发新算法、数据集和评估指标。

集成了通用和编程能力的人工智能模型

DeepSeek-V2.5 是一个升级版本，结合了 DeepSeek-V2-Chat 和 DeepSeek-Coder-V2-Instruct 的功能。这个新模型整合了两个先前版本的通用和编程能力，更好地符合人类的偏好，并在写作和指令遵循等多个方面进行了优化。

情商智商俱佳的多模态大模型

西湖大模型是心辰智能云推出的一款具有高情商和智商的多模态大模型，它能够处理包括文本、图像、声音等多种数据类型，为用户提供智能对话、写作、绘画、语音等AI服务。该模型通过先进的人工智能算法，能够理解和生成自然语言，适用于多种场景，如心理咨询、内容创作、客户服务等，具有高度的定制性和灵活性。西湖大模型的推出，标志着心辰智能云在AI领域的技术实力和创新能力，为用户提供了更加丰富和高效的智能服务体验。

多件服装虚拟试穿和编辑技术

M&M VTO是一种混合搭配的虚拟试穿方法，它接受多张服装图片、服装布局的文本描述以及一个人的图片作为输入，输出是这些服装在指定布局下穿在给定人物身上的可视化效果。该技术的主要优点包括：单阶段扩散模型，无需超分辨率级联，能够在1024x512分辨率下混合搭配多件服装，同时保留和扭曲复杂的服装细节；架构设计（VTO UNet Diffusion Transformer）能够分离去噪和人物特定特征，实现高效的身份保留微调策略；通过文本输入控制多件服装的布局，专门针对虚拟试穿任务微调。M&M VTO在定性和定量方面都达到了最先进的性能，并为通过语言引导和多件服装试穿开辟了新的可能性。

免费人工智能驱动的背景去除工具

Removerized是一个利用先进人工智能算法的免费在线工具，它能够精确地检测并去除图片背景，同时增强图像质量。用户无需任何编辑经验，只需上传图片，即可获得去背景后的高分辨率图像。该工具支持多种图像格式，如PNG、JPG和WEBP，并且完全免费使用，无需担心隐私泄露，因为所有处理都在本地完成。

RWKV v6 Finch 14B，开源大模型，高效处理长文本。

RWKV v6 Finch 14B是RWKV架构的第六个版本，也是该系列中最大的模型。它通过引入数据依赖性到token shift和time-mixing中，提高了处理长文本时的效率。Finch 14B模型在处理提示时，能够更好地管理其长期记忆，从而提供更广泛的应用范围。该模型是开源的，由Linux Foundation认可，并且接受社区的GPU集群时间捐赠以支持训练。

104B参数的多语种高级对话生成模型

C4AI Command R+ 08-2024是一个拥有104B参数的大规模研究发布模型，具备高度先进的能力，包括检索增强生成（RAG）和工具使用，以自动化复杂任务。该模型支持23种语言的训练，并在10种语言中进行评估。它优化了多种用例，包括推理、总结和问答。

一个用于加载和测试大型语言模型的互动平台。

LLM Playground是一个在线平台，允许用户加载和测试各种大型语言模型。它为开发者和研究者提供了一个实验和探索人工智能最新进展的环境。该平台的主要优点是易于使用，支持多种模型，并且可以即时看到模型的输出结果。

专业的数据解决方案提供商

博登智能自主研发的数据标注处理平台——BASE（Boden Annotation Service Enhancement），具有超强适用性，可完成从数据采集、清洗、标注到验证的全套服务。BASE平台覆盖了包括语音、文本、图像、视频、点云等多种模态类型的数据处理能力，通过AI辅助标注的形式，相较于传统的标注方式，帮助企业节省了高达30%-40%的成本，并提升50%以上的效率，已经获得了市场的广泛认可。 数据处理平台——BASE平台能够支持开展包括通用图像标注，3D/4D点云标注，图片点云融合标注，NLP文本标注，医疗影像标注，视频描述标注，音素标注，音频标注等标注业务。

即时文本驱动的图像编辑工具

TurboEdit是一种基于Adobe Research开发的技术，旨在解决精确图像反转和解耦图像编辑的挑战。它通过迭代反转技术和基于文本提示的条件控制，实现了在几步内对图像进行精准编辑的能力。这项技术不仅快速，而且性能超越了现有的多步扩散模型编辑技术。

大规模多模态医学数据集

MedTrinity-25M是一个大规模多模态数据集，包含多粒度的医学注释。它由多位作者共同开发，旨在推动医学图像和文本处理领域的研究。数据集的构建包括数据提取、多粒度文本描述生成等步骤，支持多种医学图像分析任务，如视觉问答（VQA）、病理学图像分析等。

前端标注组件库，支持多种数据标注方式。

labelU-Kit 是一个开源的前端标注组件库，提供图片、视频和音频的标注功能，支持2D框、点、线、多边形、立体框等多种标注方式。它以NPM包的形式提供，方便开发者集成到自己的标注平台中，提高数据标注的效率和灵活性。

一万亿Token和34亿张图像的多模态数据集

MINT-1T是由Salesforce AI开源的多模态数据集，包含一万亿个文本标记和34亿张图像，规模是现有开源数据集的10倍。它不仅包含HTML文档，还包括PDF文档和ArXiv论文，丰富了数据集的多样性。MINT-1T的数据集构建涉及多种来源的数据收集、处理和过滤步骤，确保了数据的高质量和多样性。

开源语言代理，解决复杂多步推理任务。

Husky-v1是一个开源的语言代理模型，专注于解决包含数值、表格和基于知识的复杂多步推理任务。它使用工具使用、代码生成器、查询生成器和数学推理器等专家模型来执行推理。此模型支持CUDA 11.8，需要下载相应的模型文件，并可以通过优化的推理过程并行运行所有专家模型。

通过GPT等大型语言模型与你的文档对话

IncarnaMind是一个开源项目，旨在通过大型语言模型（LLMs）如GPT、Claude和本地开源LLMs，实现与个人文档（PDF、TXT）的交互对话。该项目利用滑动窗口分块机制和集成检索器，提高查询效率，增强LLMs的准确性。它支持多文档对话问答，突破了单文档限制，并兼容多种文件格式和LLM模型。

深度学习领域的经典教材中文翻译

《深度学习》是一本由Simon J.D. Prince所著的深度学习领域的经典教材，MIT Press于2023年12月5日出版。本书涵盖了深度学习领域的许多关键概念，适合初学者和有经验的开发者阅读。本仓库提供了该书的中文翻译，翻译基于原书的最新版本，使用ChatGPT进行机翻并进行人工审核，确保翻译的准确性。

多模态长篇故事生成模型

SEED-Story是一个基于大型语言模型（MLLM）的多模态长篇故事生成模型，能够根据用户提供的图片和文本生成丰富、连贯的叙事文本和风格一致的图片。它代表了人工智能在创意写作和视觉艺术领域的前沿技术，具有生成高质量、多模态故事内容的能力，为创意产业提供了新的可能性。

快速、准确、免费的音频转文字服务

AIbase音频提取文字工具利用人工智能技术，通过机器学习模型快速生成高质量的音频文本描述，优化文本排版，提升可读性，同时完全免费使用，无需安装、下载或付款，为创意人员提供便捷的基础服务。

实现风格感知的拖放式图像编辑

Magic Insert 是一种创新的图像编辑技术，它允许用户将任意风格的图像主题拖放到另一种风格的目标图像中，并实现风格感知和逼真的插入。这项技术通过解决风格感知个性化和在风格化图像中进行真实对象插入的两个子问题，正式定义了风格感知拖放的问题，并提出了一种方法来解决它。Magic Insert 的方法显著优于传统的图像修复技术。此外，还提供了一个名为 SubjectPlop 的数据集，以促进该领域的评估和未来发展。

可控视频和图像生成技术

ControlNeXt是一个开源的图像和视频生成模型，它通过减少高达90%的可训练参数，实现了更快的收敛速度和卓越的效率。该项目支持多种控制信息形式，并且可以与LoRA技术结合使用，以改变风格并确保更稳定的生成效果。

探索大脑智能的AI项目

Thousand Brains Project是由Jeff Hawkins和Numenta公司发起，旨在通过理解大脑新皮层的工作原理来开发新型的人工智能系统。该项目基于Thousand Brains Theory of Intelligence，提出了与传统AI系统根本不同的大脑工作原理。项目的目标是构建一种高效且强大的智能系统，能够实现人类所具备的智能能力。Numenta公司开放了其研究资源，包括会议记录、代码开源，并建立了一个围绕其算法的大型社区。该项目得到了盖茨基金会等的资金支持，并鼓励全球研究人员参与或加入这一激动人心的项目。

提升视频理解和生成的AI模型。

ShareGPT4Video系列旨在通过密集且精确的字幕来促进大型视频-语言模型(LVLMs)的视频理解以及文本到视频模型(T2VMs)的视频生成。该系列包括：1) ShareGPT4Video，40K GPT4V注释的密集视频字幕，通过精心设计的数据过滤和注释策略开发而成。2) ShareCaptioner-Video，一个高效且功能强大的任意视频字幕模型，由其注释的4.8M高质量美学视频。3) ShareGPT4Video-8B，一个简单但卓越的LVLM，其在三个先进的视频基准测试中达到了最佳性能。

4D重建模型，快速生成动画对象

L4GM是一个4D大型重建模型，能够从单视图视频输入中快速生成动画对象。它采用了一种新颖的数据集，包含多视图视频，这些视频展示了Objaverse中渲染的动画对象。该数据集包含44K种不同的对象和110K个动画，从48个视角渲染，生成了12M个视频，总共包含300M帧。L4GM基于预训练的3D大型重建模型LGM构建，该模型能够从多视图图像输入中输出3D高斯椭球。L4GM输出每帧的3D高斯Splatting表示，然后将其上采样到更高的帧率以实现时间平滑。此外，L4GM还添加了时间自注意力层，以帮助学习时间上的一致性，并使用每个时间步的多视图渲染损失来训练模型。

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。

文本到视频生成的创新框架

VideoTetris是一个新颖的框架，它实现了文本到视频的生成，特别适用于处理包含多个对象或对象数量动态变化的复杂视频生成场景。该框架通过空间时间组合扩散技术，精确地遵循复杂的文本语义，并通过操作和组合去噪网络的空间和时间注意力图来实现。此外，它还引入了一种新的参考帧注意力机制，以提高自回归视频生成的一致性。VideoTetris在组合文本到视频生成方面取得了令人印象深刻的定性和定量结果。

实时更新的多模态模型性能排行榜

OpenCompass多模态排行榜是一个实时更新的平台，用于评估和排名不同的多模态模型（VLMs）。它通过8个多模态基准测试来计算模型的平均得分，并提供详细的性能数据。该平台仅包含开源的VLMs或公开可用的APIs，旨在帮助研究人员和开发者了解当前多模态模型的最新进展和性能表现。