视频驱动的 AI 内存库，通过语义搜索快速存储文本。
Memvid 是一种革命性的 AI 内存管理解决方案，通过将文本数据编码为视频，实现对数百万个文本块的快速语义搜索。它相比传统的向量数据库更加高效，存储占用小，能在没有数据库的情况下快速访问信息。该产品的价格为免费，并定位于提升知识管理和信息检索的效率。
WHEE 推出的 Miracle F1 大模型，生成图像真实到忘记这是 AI
WHEE Miracle F1 是一款强大的 AI 图像生成模型，能够生成极具真实感的图像。它通过智能模拟真实世界的光影和材质效果，精确还原金属的锐利反光、丝绸的自然垂坠感以及玻璃折射的微妙光影，让数字作品拥有真实世界的呼吸感。该模型在语义理解上表现出色，能够精准理解复杂概念，如‘纯色背景’‘夜景灯光’‘多物体构图’等，并呈现出用户心中所想的画面效果。其风格多元，从 3D 立体特效的机械未来感到复古胶片颗粒的怀旧美学，都能轻松驾驭。适用于电商产品展示、活动视觉创意展示、插画海报笔触模拟等多种应用场景，一键生成高质量图像，满足专业需求。目前可通过 WHEE 官方网站体验。
SpatialLM 是一个用于空间理解的大语言模型。
SpatialLM 是一个专为处理 3D 点云数据设计的大型语言模型，能够生成结构化的 3D 场景理解输出，包括建筑元素和对象的语义类别。它能够从单目视频序列、RGBD 图像和 LiDAR 传感器等多种来源处理点云数据，无需专用设备。SpatialLM 在自主导航和复杂 3D 场景分析任务中具有重要应用价值，显著提升空间推理能力。
North 是一个安全的 AI 工作空间，结合了 LLM、搜索和自动化，提升工作效率。
North 是 Cohere 推出的集成 AI 平台，旨在通过结合大型语言模型（LLM）、搜索技术和自动化工具，为企业员工提供一个安全、高效的工作空间。它不仅能够处理多语言数据，还能无缝集成到现有工作流程中，帮助企业提升生产力和运营效率。North 的核心优势在于其强大的安全性、灵活性和易用性，使其成为现代企业数字化转型的理想选择。North 的定价和具体部署方式尚未明确，但其目标是为企业提供一个无需自行开发即可快速部署的 AI 解决方案。
通过去噪生成模型进行空间推理，解决复杂分布下的视觉任务。
SRM是一种基于去噪生成模型的空间推理框架，用于处理连续变量集合的推理任务。它通过为每个未观测变量分配独立的噪声水平，逐步推断出这些变量的连续表示。该技术在处理复杂分布时表现出色，能够有效减少生成过程中的幻觉现象。SRM首次证明了去噪网络可以预测生成顺序，从而显著提高了特定推理任务的准确性。该模型由德国马普信息研究所开发，旨在推动空间推理和生成模型的研究。
SkyPilot RAG 是一个基于 SkyPilot 的检索增强生成系统，用于处理大规模法律文档搜索和分析。
SkyPilot RAG 是一个结合了向量搜索和大型语言模型的检索增强生成系统。它通过语义搜索和智能问答，为法律专业人士提供高效的信息检索和分析工具。该系统基于 SkyPilot 构建，能够管理基础设施并高效利用计算资源，支持在任何云环境或 Kubernetes 上部署。其主要优点包括高准确性、上下文感知能力和可追溯性，能够显著提高法律文档处理的效率和可靠性。
SigLIP2 是谷歌推出的一种多语言视觉语言编码器，用于零样本图像分类。
SigLIP2 是谷歌开发的多语言视觉语言编码器，具有改进的语义理解、定位和密集特征。它支持零样本图像分类，能够通过文本描述直接对图像进行分类，无需额外训练。该模型在多语言场景下表现出色，适用于多种视觉语言任务。其主要优点包括高效的语言图像对齐能力、支持多种分辨率和动态分辨率调整，以及强大的跨语言泛化能力。SigLIP2 的推出为多语言视觉任务提供了新的解决方案，尤其适合需要快速部署和多语言支持的场景。
Graphiti 是一个用于构建和查询动态时序知识图谱的工具，支持多种数据源和复杂关系的演变。
Graphiti 是一个专注于构建动态时序知识图谱的技术模型，旨在处理不断变化的信息和复杂的关系演变。它通过结合语义搜索和图算法，支持从非结构化文本和结构化 JSON 数据中提取知识，并能够进行时间点查询。Graphiti 是 Zep 内存层的核心技术，支持长期记忆和基于状态的推理，适用于需要动态数据处理和复杂任务自动化的应用场景，如销售、客户服务、健康、金融等领域。
Magma 是一个能够理解和执行多模态输入的基础模型，可用于复杂任务和环境。
Magma 是微软研究团队推出的一个多模态基础模型，旨在通过视觉、语言和动作的结合，实现复杂任务的规划和执行。它通过大规模的视觉语言数据预训练，具备了语言理解、空间智能和动作规划的能力，能够在 UI 导航、机器人操作等任务中表现出色。该模型的出现为多模态 AI 代理任务提供了一个强大的基础框架，具有广泛的应用前景。
Chat2Geo 是一个基于遥感的地理空间分析工具，提供类似 ChatGPT 的交互体验。
Chat2Geo 是一个基于 Next.js 15 的 Web 应用程序，提供类似 ChatGPT 的聊天界面，用于执行基于遥感的地理空间分析。它利用 Google Earth Engine 在后端处理和分析各种遥感数据集，用户可以上传自己的矢量数据，运行高级地理空间查询，并与 AI 助手集成，完成如土地覆盖制图、变化检测和空气污染物监测等任务。该产品通过结合地理空间分析与非地理空间/文本信息，提供知识检索增强型生成（RAG）工作流，具有强大的功能和实用性。它继承了 GeoRetina 开发的 GRAI 2.0 应用程序的大部分构建模块，并持续更新以满足社区需求。
GeoRetina 是一款基于地理空间数据驱动的气候变化洞察工具，通过 AI 实现快速分析。
GeoRetina 是一款专注于地理空间智能的平台，利用 AI 技术将复杂的地理空间数据转化为即时洞察。该产品通过自动化处理和实时监测功能，帮助企业和组织快速分析土地覆盖变化、环境动态等信息。其主要优点包括高效的数据处理能力、实时环境监测以及强大的预测能力。GeoRetina 适用于需要快速、精准地理空间分析的商业和研究场景，价格和具体定位需根据客户需求定制。
一款轻量级RAG + AI浏览器插件，可帮助用户管理和查询知识库。
馆长是一款基于轻量级RAG（Retrieval-Augmented Generation）和AI技术的浏览器插件。它能够帮助用户管理和查询个人知识库，通过语义搜索和关键词分析，快速从知识库中检索出最相关的信息。该产品的主要优点包括无需复杂设置、数据安全有保障、支持离线使用等。它适用于需要高效管理和查询大量文档的用户，无论是学生、研究人员还是职场人士，都能从中受益。目前该产品免费提供给用户使用，旨在帮助用户更好地整理和分析知识。
TokenVerse 是一种基于预训练文本到图像扩散模型的多概念个性化方法。
TokenVerse 是一种创新的多概念个性化方法，它利用预训练的文本到图像扩散模型，能够从单张图像中解耦复杂的视觉元素和属性，并实现无缝的概念组合生成。这种方法突破了现有技术在概念类型或广度上的限制，支持多种概念，包括物体、配饰、材质、姿势和光照等。TokenVerse 的重要性在于其能够为图像生成领域带来更灵活、更个性化的解决方案，满足用户在不同场景下的多样化需求。目前，TokenVerse 的代码尚未公开，但其在个性化图像生成方面的潜力已经引起了广泛关注。
FilmAgent是一个基于LLM的多智能体协作框架，用于虚拟3D空间中的端到端电影自动化制作。
FilmAgent是一种创新的电影制作技术，通过模拟导演、编剧、演员和摄影师等关键角色，利用多智能体协作实现虚拟3D空间中的电影自动化制作。该技术的主要优点在于能够减少人工干预，提高制作效率，同时降低错误率。FilmAgent在电影制作领域的应用，为创作者提供了一个高效、低成本的解决方案，尤其适合资源有限的小型制作团队。虽然目前没有明确的价格信息，但其开源的特性使其具有广泛的适用性和推广价值。
下一代原生GUI代理模型，能够无缝与图形用户界面交互。
UI-TARS 是由字节跳动研究团队开发的下一代原生GUI代理模型，旨在通过人类般的感知、推理和行动能力与图形用户界面进行无缝交互。该模型集成了感知、推理、定位和记忆等所有关键组件，能够在无需预定义工作流或手动规则的情况下实现端到端的任务自动化。其主要优点包括强大的多模态交互能力、高精度的视觉感知和语义理解能力，以及在多种复杂任务场景中的出色表现。该模型适用于需要自动化GUI交互的场景，如自动化测试、智能办公等，能够显著提高工作效率。
Agentic Graph Language Assistant
GraphAgent是一个自动化代理流水线，旨在处理显式的图形依赖和隐式的图形增强语义相互依赖，以适应实际数据场景中的预测任务（例如节点分类）和生成任务（例如文本生成）。它由三个关键组件构成：构建知识图谱以反映复杂语义依赖的图形生成代理；解释不同用户查询并制定相应任务的计划代理；以及高效执行计划任务并自动化工具匹配和调用的执行代理。GraphAgent通过集成语言模型和图形语言模型来揭示复杂的关系信息和数据语义依赖。
基于扩散模型的图像和视频生成工具
HelloMeme是一个集成了空间编织注意力（Spatial Knitting Attentions）的扩散模型，用于嵌入高级别和细节丰富的条件。该模型支持图像和视频的生成，具有改善生成视频与驱动视频之间表情一致性、减少VRAM使用、优化算法等优点。HelloMeme由HelloVision团队开发，属于HelloGroup Inc.，是一个前沿的图像和视频生成技术，具有重要的商业和教育价值。
基于InternViT-300M-448px的增强版本，提升视觉特征提取能力。
InternViT-300M-448px-V2_5是一个基于InternViT-300M-448px的增强版本，通过采用ViT增量学习与NTP损失（Stage 1.5），提升了视觉编码器提取视觉特征的能力，尤其是在大规模网络数据集中代表性不足的领域，如多语言OCR数据和数学图表等。该模型是InternViT 2.5系列的一部分，保留了与前代相同的“ViT-MLP-LLM”模型架构，并集成了新的增量预训练的InternViT与各种预训练的LLMs，如InternLM 2.5和Qwen 2.5，使用随机初始化的MLP投影器。
© 2025 AIbase 备案号：闽ICP备08105208号-14