开源模型

LOTUS，用于高质量密集预测的基于扩散的 Visual Foundation 模型

Lotus，这是一种基于扩散的视觉基础模型，用于密集几何预测。凭借最少的训练数据...

LLaVA-Video，开源的视频多模态LMM，同时开源了视频训练数据集

LLaVA-Video，开源的视频多模态LMM，同时开源了视频训练数据集。可以...

Meta Movie Gen，Meta推出的AI视频模型，支持文字生成视频、文字编辑视频、生成音效和配乐

让我们看看演示视频吧！ Movie Gen Video：30B DiT 模型，单...

whisper v3 turbo，Openai开源的自动语音识别（ASR）和语音翻译模型

Whisper 是一种通用的语音识别模型。它基于各种音频的大型数据集进行训练，也...

Liquid AI 发布LFMs系列模型，新的Liquid架构，非Transformer架构

Liquid AI 发布LFMs系列模型，新的Liquid架构，非Transfo...

NVLM-D-72B，英伟达开源的多模态模型，支持图片和文字输入、文字输出

NVLM-D-72B是英伟达开源的多模态模型，72B参数，支持图片和文字输入、文...

CogView3，智谱开源的文本生成图像模型，推理时间仅为 SDXL 1/10

CogView3 是一种新颖的文本生成图像系统，采用了接力扩散的方式，将生成高分...

Emu3，智源研究院开源的多模态大模型，通过预测下一个词或token的方式来理解和生成文本、图像和视频

Emu3，智源研究院开源的多模态大模型，通过预测下一个词或token的方式来理解...

Flux.1-dev ControlNets，新增Upscaler、depth、surface normal三种ControlNet

Flux.1-dev ControlNets，新增Upscaler、depth、...

Molmo，开源的视觉多模态模型，分1B、7B、72B

Molmo，开源的视觉多模态模型，分1B、7B、72B. Molmo 模型 Mo...

Meta发布Llama 3.2，适用于边缘设备、视觉模型等的轻量级模型

让我们先看看官方演示视频吧！ Meta发布Llama 3.2，其中包括适合边缘和...

QA-MDT，开源文本音乐生成，基于扩散模型的文字生成音乐模型

让我们听听演示音频吧！ QA-MDT，开源文本音乐生成，基于扩散模型的文字生成音...