基础模型

OmniInsert：无需蒙版即可将任意参考图像插入视频的工具

OmniInsert 是一个由字节跳动智能创作实验室开发的研究项目。它是一个无需使用蒙版（Mask）就能将任意参考对象无缝插入到视频中的工具。传统的视频编辑流程中，如果想在视频里加入一个新对象，通常需要手动创建一...

Wan2.2-S2V-14B：语音驱动人物口型同步的视频生成模型

Wan2.2-S2V-14B是Wan-AI团队开发的一款大型AI模型，专门用于根据音频、文字和图像生成高质量的视频。 它采用了创新的混合专家（MoE）架构，模型总参数量达到27B，但在运行时只激活其中14B参数，有效平衡了性能和...

SpatialLM：扫一下房间，AI自动帮你画出3D模型

SpatialLM是一个专门为处理三维（3D）点云数据而设计的大语言模型。它的核心功能是理解非结构化的3D几何数据，并将其转化为结构化的3D场景表示。这些结构化输出包含了建筑元素（如墙壁、门、窗）以及带方向的物体...

VibeVoice-1.5B：微软出品的支持长音频多角色对话的语音生成模型

VibeVoice-1.5B是微软研究院发布的一款前沿的开源文本转语音（Text-to-Speech, TTS）模型。 它专门用于生成富有表现力的、长篇幅的、多角色对话音频，例如播客或有声读物。 VibeVoice的核心创新在于它使用了以7...

Grok-2：xAI 公司开源的混合专家大语言模型

Grok-2 是由埃隆·马斯克的 xAI 公司于 2024 年开发的第二代大语言模型。该模型的一大特点是采用了“混合专家（Mixture-of-Experts, MoE）”架构，这种设计可以更高效地处理信息。简单来说，模型内部有多个“专家”...

Baichuan-M2：医疗领域增强推理的大语言模型

Baichuan-M2 是百川智能公司推出的一个参数量为320亿（32B）的开源大语言模型。 该模型专注于医疗领域，旨在处理真实世界的医疗推理任务。它基于Qwen2.5-32B模型进行二次开发，通过引入创新的“大型验证器系统”（L...

Genie 3：生成可实时交互的虚拟世界

Genie 3是谷歌DeepMind发布的一款通用世界模型（world model），它代表了AI在模拟和创建虚拟环境方面的最新进展。这款模型最核心的特点是，它可以仅仅根据一段文字描述，生成一个多样化且支持实时交互的动态世界...

Seed-OSS：开源大语言模型，支持长上下文推理与多功能应用

Seed-OSS 是由字节跳动（ByteDance）Seed 团队开发的一系列开源大语言模型，专注于长上下文处理、推理能力和代理任务优化。模型包含 360 亿参数，仅用 12 万亿 token 训练，性能在多个主流基准测试中表现出色，支.....

HRM：用于复杂推理的分层推理模型

HRM (Hierarchical Reasoning Model) 是一个仅有2700万参数的层级式推理模型，旨在解决人工智能领域中复杂的推理任务。该模型的设计灵感来源于人脑的层级式、多时间尺度的信息处理方式。 它通过一个高层模块（负.....

DeepSeek-V3.1-Base：高效处理复杂任务的大规模语言模型

DeepSeek-V3.1-Base 是由 DeepSeek 开发并在 Hugging Face 平台上发布的一个开源大语言模型，专为自然语言处理任务设计。它拥有 6850 亿个参数，支持多种数据类型（BF16、F8_E4M3、F32），能...

Qwen-Image-Edit：根据文本指令编辑图片的AI模型

Qwen-Image-Edit 是由阿里巴巴通义千问团队开发的一款图像编辑AI模型。 它基于拥有200亿参数的Qwen-Image模型进行训练，核心功能是让用户通过简单的中文或英文文字指令，对图片进行修改。 这款模型同时利用了视觉...

GLM-4.5V：能够理解图像和视频并生成代码的多模态对话模型

GLM-4.5V是由智谱AI（Z.AI）开发的新一代视觉语言大模型（VLM）。该模型基于采用MOE架构的旗舰文本模型GLM-4.5-Air构建，总参数量达到1060亿，其中激活参数为120亿。GLM-4.5V不仅能处理图像和文本，还能理解视...

Qwen-Image：生成高保真图像与精准文本渲染的AI工具

Qwen-Image 是一个由 Qwen 团队开发的 20B 参数多模态扩散模型（MMDiT），专注于高保真图像生成和精准文本渲染。它在复杂文本处理（尤其是中文和英文）以及图像编辑方面表现卓越。模型支持多种艺术风格，如写实、...

MiniMax 发布 Speech 2.5：语音合成技术在多语言与音色复刻上突破

8月7日，MiniMax 公司发布了其新一代语音生成模型 Speech 2.5。据官方资料显示，该模型在前代 Speech 02 的基础上，于多语种表现力、音色复刻精度以及支持的语种数量上实现了提升。 在人工智能生成内容（AIGC）领...

KittenTTS：轻量级文本转语音模型

KittenTTS 是一个开源的文本转语音（TTS）模型，专注于轻量化和高效性。它仅占用不到 25MB 存储空间，拥有约 1500 万个参数，无需 GPU 支持即可在低端设备上运行。KittenTTS 由 KittenML 团队开发，提供多...

GPT-OSS：OpenAI开源的高效推理大模型

GPT-OSS 是 OpenAI 推出的开源语言模型系列，包括 gpt-oss-120b 和 gpt-oss-20b，分别拥有 1170 亿和 210 亿参数，采用 Apache 2.0 许可，允许开发者免费下载、修改和部署。gpt-oss...

SongGeneration：生成高品质音乐和歌词的开源AI模型

SongGeneration 是由腾讯 AI Lab 开发并开源的音乐生成模型，专注于生成高品质的歌曲，包括歌词、伴奏和人声。它基于 LeVo 框架，结合语言模型 LeLM 和音乐编解码器，支持中英文歌曲生成。模型在百万歌曲数据集上...

Step3：高效生成多模态内容的开源大模型

Step3 是由 StepFun 开发的一个开源多模态大模型项目，托管在 GitHub 上，旨在提供高效、经济的文本、图像和语音内容生成能力。项目以 321 亿参数（38 亿活跃参数）的混合专家模型（MoE）为核心，优化了推理速度...

Seed Diffusion：验证新一代架构的高速语言模型

Seed Diffusion 是一个实验性的语言模型，由字节跳动Seed团队联合清华大学智能产业研究院（AIR）共同推出。这个网站是该模型的技术演示平台。该模型基于离散扩散技术，主要目标是探索下一代语言模型基础框架的可...