产品库

基于llama3 8B的SOTA视觉模型

llama3v是一个基于Llama3 8B和siglip-so400m的SOTA（State of the Art，即最先进技术）视觉模型。它是一个开源的VLLM（视觉语言多模态学习模型），在Huggingface上提供模型权重，支持快速本地推理，并发布了推理代码。该模型结合了图像识别和文本生成，通过添加投影层将图像特征映射到LLaMA嵌入空间，以提高模型对图像的理解能力。

腾讯 ARC 官网，探索智能媒体前沿技术

腾讯 ARC 官网是腾讯 PCG 旗下的应用研究中心，致力于探索和挑战智能媒体前沿技术。团队汇聚了国内外一流高端人才，主要研究领域涵盖视觉、音频、自然语言处理等，通过 AutoML、多模态和深度学习等方法提高算法性能。ARC 通过解耦业务需求和科研的机制，与业务团队合作，以业务需求和行业趋势为导向，不断探索、创新和突破。网站提供了关于 ARC 的使命、团队介绍、机制和领域等详细信息。

谷歌最新一代AI助手

Gemini是谷歌最新一代的AI助手模型,它可以进行长篇语境的理解,支持多模态输入,在文本、代码、图像、音频和视频领域都有出色的表现。Gemini 1.5采用了更高效的模型结构,大大提升了性能。它还实现了突破性的百万级token语境长度,支持更复杂的推理和跨模态理解。Gemini可用于构建对话机器人、知识问答、语音助手、图像识别等应用。

高效多模态大型语言模型

TinyGPT-V 是一种高效的多模态大型语言模型，通过使用小型骨干网络来实现。它具有强大的语言理解和生成能力，适用于各种自然语言处理任务。TinyGPT-V 采用 Phi-2 作为预训练模型，具备出色的性能和效率。

雷鸟自主研发的AI语音助手

RayNeo AI是雷鸟自主研发的人工智能语音助手,集成了自然语言处理、语音识别、语音合成等核心技术,可实现自然语言交互、语音控制等功能。该产品已在雷鸟XR系列产品中进行内测,支持行程规划、天气查询、百科知识问答等服务,提升了产品的智能化水平。下一步,RayNeo AI计划推出视觉识别等多模态交互能力,实现更丰富的人机交互体验。

大模型重塑千行百业

盘古大模型是华为云推出的人工智能解决方案，通过 NLP 大模型、CV 大模型、多模态大模型、预测大模型和科学计算大模型等多个模型，实现对话问答、图像识别、多模态处理、预测分析和科学计算等多种功能。盘古大模型具有高效适配、高效标注和准确可控的特点，可广泛应用于各行各业。详情请访问官方网址。

宠物思想阅读器,上传宠物照片,AI告诉你它在想什么

PetThoughts是一个基于Gemini API构建的图像识别应用程序。用户可以上传宠物的照片,应用程序会通过智能分析宠物的面部表情和环境,推测它可能在想些什么。该应用程序具有图像识别、面部分析、环境分析等功能,能准确识别宠物的面部表情,分析其可能的情绪状态,同时结合环境推断宠物的活动,最后通过自然语言处理技术,将识别结果转换成可读的文本描述。该应用提供简洁直观的用户界面,使用户可以轻松上传照片并获得宠物分析结果。它可以帮助用户更深入地理解宠物的情感和偏好。

AI模型库与数据集平台

I2VGen-XL是一款AI模型库与数据集平台，提供丰富的AI模型和数据集，帮助用户快速构建AI应用。平台支持多种AI任务，包括图像识别、自然语言处理、语音识别等。用户可以通过平台上传、下载和分享模型和数据集，也可以使用平台提供的API接口进行调用。平台提供免费和付费两种服务，用户可以根据需求选择适合自己的服务。

AI生成器，快速生成图片描述

Image to Caption AI Generator是一款基于人工智能的工具，可以快速生成图片的描述。它使用先进的图像识别技术和自然语言处理算法，将图片转化为精彩的文字描述。无论是在社交媒体上发布照片，还是在博客文章中添加图片说明，该工具都能帮助用户轻松创建引人注目的标题。功能强大且易于使用，是提升内容质量和吸引读者注意力的理想选择。定价灵活，提供免费试用和付费升级选项。

打造人工智能未来

Anthropic是一款人工智能平台，通过深度学习和自然语言处理等技术，提供先进的人工智能解决方案。我们的产品具有强大的功能和优势，可应用于图像识别、自然语言处理、机器学习等领域。定价灵活合理，定位为帮助用户实现人工智能应用的目标。无论您是开发者、研究人员还是企业，Anthropic都能满足您的需求。

无代码AI构建器，AI不是魔法，而是ModularMind。

ModularMind是一款无代码AI构建器，提供强大的人工智能功能，包括自然语言处理、图像识别、机器学习等。它能够帮助用户快速构建AI模型，无需编码。ModularMind还提供灵活的定价方案，适用于个人用户和企业用户。它定位于帮助用户解决AI开发难题，提高工作效率。

AI智能助手，让你的生活更简单

WTF AI是一款智能助手产品，集成了多种功能，包括语音识别、自然语言处理、图像识别等，可以帮助用户进行日程管理、语音助手、聊天互动等，提高工作和生活效率。WTF AI还提供免费和付费套餐，满足不同用户需求。

跨应用的AI数字狗NFT，适用于虚拟世界、VR、AR、社交应用和游戏等

数字狗™是全球首款数字狗，可用于虚拟世界、VR、AR、社交游戏等沉浸式体验。它是你在虚拟世界中的可靠伙伴！通过孵化过程培养你的数字狗，和它一起探索元宇宙的奇妙之旅。数字狗利用多种人工智能技术，如自然语言处理、图像识别、强化学习和对话式人工智能，模拟宠物的认知能力和与它们互动的方式。数字狗还支持跨应用使用，你可以在不同的虚拟世界中与你的数字狗一起冒险。

一站式AI开发平台

SeniorDev AI是一款一站式AI开发平台，提供丰富的AI功能和工具，帮助开发者快速构建和部署AI模型。平台提供自然语言处理、图像识别、数据分析等功能，具有高度灵活性和可扩展性。SeniorDev AI采用按需计费模式，价格透明，适用于个人开发者和企业用户。

AI观测和模型监控平台

Censius是一个AI观测和模型监控平台，帮助团队了解、分析和改善AI模型在实际应用中的性能。它提供实时监控、报警通知、数据可视化和性能分析等功能。Censius帮助用户追踪模型的准确性、稳定性和效果，提高模型的可靠性和可解释性。Censius的定价根据使用量和功能套餐进行计费，提供灵活的选择。Censius适用于各种AI应用场景，包括图像识别、自然语言处理、预测分析等。

一站式API服务平台

SuperAPI是一个集成了各类常用API的平台，提供丰富的功能和优势，包括数据处理、自然语言处理、图像识别、视频处理等功能。我们提供灵活的定价方案，适用于个人开发者和企业用户。定位于提供便捷高效的API服务。

多模态和多任务模型训练框架

4M是一个用于训练多模态和多任务模型的框架，能够处理多种视觉任务，并且能够进行多模态条件生成。该模型通过实验分析展示了其在视觉任务上的通用性和可扩展性，为多模态学习在视觉和其他领域的进一步探索奠定了基础。

先进文本生成图像模型

Stable Diffusion 3是由Stability AI开发的最新文本生成图像模型，具有显著进步的图像保真度、多主体处理和文本匹配能力。利用多模态扩散变换器（MMDiT）架构，提供单独的图像和语言表示，支持API、下载和在线平台访问，适用于各种应用场景。

革命性AI技术，多模态智能互动

GPT-4o是OpenAI的最新创新，代表了人工智能技术的前沿。它通过真正的多模态方法扩展了GPT-4的功能，包括文本、视觉和音频。GPT-4o以其快速、成本效益和普遍可访问性，革命性地改变了我们与AI技术的互动。它在文本理解、图像分析和语音识别方面表现出色，提供流畅直观的AI互动，适合从学术研究到特定行业需求的多种应用。

系统性调研生成式AI的提示技术

The Prompt Report 是一份系统性调研报告，专注于生成式人工智能（GenAI）的提示技术。它通过结合人类和机器的努力，从多个数据库中处理了4797条记录，提取出1565篇相关论文。报告提供了58种基于文本的技术，并补充了多模态和多语言技术的广泛集合。其目标是提供一个易于理解和实施的提示技术目录，并回顾了作为提示扩展的代理，包括评估输出和设计有助于安全性和安全性的提示的方法。此外，报告还应用提示技术在两个案例研究中进行了实践。

大型视频-语言模型，提供视觉问答和视频字幕生成。

VideoLLaMA2-7B是由DAMO-NLP-SG团队开发的多模态大型语言模型，专注于视频内容的理解和生成。该模型在视觉问答和视频字幕生成方面具有显著的性能，能够处理复杂的视频内容，并生成准确、自然的语言描述。它在空间-时间建模和音频理解方面进行了优化，为视频内容的智能分析和处理提供了强大的支持。

大型视频语言模型，提供视觉问答和视频字幕生成。

VideoLLaMA2-7B-Base 是由 DAMO-NLP-SG 开发的大型视频语言模型，专注于视频内容的理解与生成。该模型在视觉问答和视频字幕生成方面展现出卓越的性能，通过先进的空间时间建模和音频理解能力，为用户提供了一种新的视频内容分析工具。它基于 Transformer 架构，能够处理多模态数据，结合文本和视觉信息，生成准确且富有洞察力的输出。

大型视频语言模型，用于视觉问答和视频字幕生成。

VideoLLaMA2-7B-16F-Base是由DAMO-NLP-SG团队开发的大型视频语言模型，专注于视频问答（Visual Question Answering）和视频字幕生成。该模型结合了先进的空间-时间建模和音频理解能力，为多模态视频内容分析提供了强大的支持。它在视觉问答和视频字幕生成任务上展现出卓越的性能，能够处理复杂的视频内容并生成准确的描述和答案。

开创高保真、可控视频生成新领域。

Gen-3 Alpha 是 Runway 训练的一系列模型中的首个，它在新的基础设施上训练，专为大规模多模态训练而建。它在保真度、一致性和动作方面相较于 Gen-2 有重大改进，并朝着构建通用世界模型迈进了一步。该模型能够生成具有丰富动作、手势和情感的表达性人物角色，为叙事提供了新的机会。

多分辨率扩散变换器，支持中英文理解

HunyuanDiT-v1.1是由腾讯Hunyuan团队开发的一款多分辨率扩散变换模型，它具备精细的中英文理解能力。该模型通过精心设计的变换器结构、文本编码器和位置编码，结合从头开始构建的完整数据管道，实现数据的迭代优化。HunyuanDiT-v1.1能够执行多轮多模态对话，根据上下文生成和细化图像。经过50多名专业人类评估员的全面评估，HunyuanDiT-v1.1在中文到图像生成方面与其他开源模型相比，达到了新的最先进水平。

长视频理解基准测试

LVBench是一个专门设计用于长视频理解的基准测试，旨在推动多模态大型语言模型在理解数小时长视频方面的能力，这对于长期决策制定、深入电影评论和讨论、现场体育解说等实际应用至关重要。

一个交互式绘图应用，用于数学方程的绘制和计算。

AI Math Notes 是一个开源的交互式绘图应用程序，允许用户在画布上绘制数学方程。应用程序利用多模态大型语言模型（LLM）计算并显示结果。该应用程序使用Python开发，利用Tkinter库创建图形用户界面，使用PIL进行图像处理。灵感来源于Apple在2024年全球开发者大会（WWDC）上展示的'Math Notes'。

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。

多模态文本到图像生成模型

EMMA是一个基于最前沿的文本到图像扩散模型ELLA构建的新型图像生成模型，能够接受多模态提示，通过创新的多模态特征连接器设计，有效整合文本和补充模态信息。该模型通过冻结原始T2I扩散模型的所有参数，并仅调整一些额外层，揭示了预训练的T2I扩散模型可以秘密接受多模态提示的有趣特性。EMMA易于适应不同的现有框架，是生成个性化和上下文感知图像甚至视频的灵活有效工具。

一键部署您的私人Gemini应用

TalkWithGemini 是一款支持一键免费部署的跨平台应用，用户可以通过这个应用与 Gemini 模型进行交互，支持图片识别、语音对话等多模态交互方式，提高工作效率。