AIGCLINK

统计数据

92

文章

0

粉丝

0

获赞

552

阅读

1周前

博客：

1周前

项目代码：

1周前

这个好，手写公式秒变可编译LaTeX：TeXPen，全程在浏览器本地完成比如，课堂上平板+投影，边写边出LaTeX，实时投屏，方便多了基于WebGPU+WebAssembly，模型跑在本地电脑上模型用的OleehyO/TexTeller 298 M，首次打开自动下载并缓存，以后断网也能用 #公式转LaTeX #TeXPen

1周前

基于nano banana pro的一个原生Vibe PPT工具：banana-slides Vibe PPT用来解决有内容却做不出能上台的图的问题，解决以往AI PPT预设模版风格少/单一问题可以用想法、大纲、页面描述三种方式生成完整PPT 支持上传任意模板/素材，PDF/Docx/MD/Txt等文件皆可，自动识别文本中的关键点、图片链接和图表信息可以上传参考图片或模板定制风格，可自然语言局部修改对于办公快速出汇报PPT，老师出课程教案，用AI生PPT打灵感，都比较方便 #AIppt #PPT生成工具

1周前

千问移动端更新，新增了手机端办公/学习能力，感觉还比较实用，等于日常+学习在手机上闭环了一句话即出PPT、答题/批改、文档，它还有一个文库，把“找资料-读资料-出PPT-重点讲解”的这种知识生产的耗时过程给压缩了适合老师出课件或者个性化学习使用比如说，老师可以一键把课本章节变成课堂课件；学生拍照一键生成步骤+讲解，做查漏补缺 PPT生成支持文档、图片、语音三类输入，这个就比较方便，比如开会路上突发某个想法，直接语音AI生成PPT，会议室投屏，实现灵感零损耗 AI文档功能，它可以对话成稿，就是说它可以把对话内容自动转成主题清晰、结构合理并排版的Word文档支持网页解析，公众号文章、外语网站翻译为中文并总结 #AIPPT #AI答题 #千问

1周前

腾讯把WeKnora升级到了：WeKnora2.0，RAG+Agent双驱动，引入ReACT架构，AI可以像人一样边思考、边行动、边调整的动态完成复杂任务就是说把PDF、Word、图片等资料丢进去，它能自动建知识库、做问答、写报告，还能上网查最新信息这个适合需要大量阅读+深度思考+结构化输出的复杂任务，比如说做行业调研、产品分析 WeKnora作为微信对话开放平台核心框架，它的智能问答能力是可以零代码无缝集成到公众号、小程序等生态里的，这个比较方便新增了FAQ知识库类型，可与现有文档知识库形成互补 FAQ知识库专用于管理“问题-答案”对形式的结构化知识，适合沉淀标准操作流程、产品使用指南、政策咨询等高频查询内容支持通过MCP，内置uvx、npx启动工具，支持多种传输方式内置DuckDuckGo获取实时信息 #WeKnora #微信公众号agent

2周前

Notebook LM的本地开源复现款：open-notebook，最近上星非常猛支持OpenAI、Anthropic、Ollama、LM Studio等16+模型商，提供嵌入、语音转文本、文本转语音等功能播客发言人可以1-4 个，可以自定义配置支持导入PDF、视频、音频、网页、Office等多种模态内容 #AI播客 #NotebookLM

3周前

Nano Banana果然强大，以身试法，看到这个照片大家知道这个能干啥吧，果然强大😿#nanobanana

nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息

#nano banana #以身试法 #强大 #负面 #恶搞

3周前

折腾了几个礼拜，昨晚总算看到起量正常不报错了，起量才知道vllm有很多坑要踩，今天600w TPM走起，距离打满还差99% #vllm

#vLLM #起量 #TPM #技术 #乐观

1个月前

微软给的一套AI呼叫中心解决方案，Azure+OpenAI，扔一个API请求或直接拨号，AI语音客服即可接/打电话、记录报修、面试预约等可以呼入、呼出实时语音对话，支持打断、静音检测、多语言TTS/ASR、定制AI语音通话结束后即生成一个网页报告写工单可自定义字段，比如时间、地点、其他信息等可以定制任务流、知识库管理、定制AI语气风格 #AI语音客服

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息

#AI语音客服 #微软Azure #OpenAI #呼叫中心解决方案 #自动化

1个月前

李飞飞World Labs的生成式多模态世界模型：Marble 刚刚已发布，一张图片/视频/文本提示/3D布局，即生成高保真3D世界单图、文本、多视角图、短视频、粗糙3D块都能当prompt 生成之后还能二次创作 AI原生笔刷可以局部删改、换材质、换风格、换结构可以一键扩世界也可以多个小场景拼接能导出高斯溅射、三角网格，也可渲染成带精确相机轨道的视频，在视频后处理环节自动添加烟、火焰、流水等动态元素，同时去除画面瑕疵也就是说，做游戏的能直接拖进Unity/Unreal 当关卡；影视人可导出带相机轨道的视频当预演 #3D生成 #AI3D #Marble

AI视频井喷：Midjourney领跑，多模态混战· 337 条信息

#李飞飞 #World Labs #生成式多模态 #3D世界模型Marble #AI辅助创作

1个月前

阿里刚刚发了一个智能简历解析系统：SmartResume，直接把PDF/图片/Office文档简历变成结构化数据 HR部门的手动录入工作可以直接秒级完成了系统融合了OCR与PDF元数据完成文本提取，结合版面检测重建阅读顺序，通过LLM将内容转换为结构化字段能够提取基本信息、工作经历、教育背景等结构化信息模型用的微调版Qwen3-0.6B，版面检测模型用的YOLOv10 可API及本地模型部署 #简历提取工具 #SmartResume

#阿里 #SmartResume #智能简历解析 #Qwen3-0.6B #YOLOv10

1个月前

一句话生成Excalidraw手绘风的专业图表工具：Smart Excalidraw 可以生成流程图、架构图、ER图20+种图表，可以智能匹配合适的图表类型，对研发、产品经理来说简直是神器智能箭头优化算法，自动计算最佳连接点，来确保图表有序、逻辑清晰，避免线条交叉输出的是标准Excalidraw格式，想微调颜色、位置、加图标随便拖 #AI图表生成 #SmartExcalidraw

#AI图表生成 #SmartExcalidraw #手绘风图表 #流程图 #架构图

1个月前

Anthropic官方给出的【如何通过代码执行+MCP，来构建更高效的AI智能体】，把token消耗从15万降到了2千，时间/费用节省98% 随着连接工具的增多，直接工具调用方式导致的Token消耗过高、智能体效率降低问题核心思想，把MCP服务器视为代码API，非直接的工具调用，让智能体编写代码来与MCP服务器交互来增强智能体上下文效率、降低成本、减少延迟，也可以增强智能体处理复杂任务的能力，同时兼顾隐私工具发现机制，把MCP工具组织成文件系统结构，比如，servers/google-drive/getDocument.ts，智能体可以通过探索文件系统来按需发现和加载所需的工具定义，无需一次性加载所有工具代码编排，智能体不再直接调用工具，而是生成一段代码比如TypeScript，这段代码会调用封装好的函数来与MCP工具交互，比如说，将“从Google Drive下载会议记录并附加到Salesforce线索”的任务，转化为一段包含 gdrive.getDocument() 和 salesforce.updateRecord() 调用的代码隐私保护上，中间结果默认保留在执行环境中，只有明确记录或返回的数据才会进入模型的上下文对于敏感数据，比如个人身份信息 PII，MCP客户端可以在数据到达模型之前对其进行脱敏，并在需要时再进行反脱敏，确保敏感信息永远不会直接暴露给模型 #MCP #AIagent

#多智能体之争：Anthropic生态VS单智能体· 81 条信息

#AI智能体 #MCP服务器 #代码编排 #Token消耗 #隐私保护

1个月前

强，人民币不到150元手搓了一套AI导盲眼镜，可以盲道导航、过马路辅助、物品识别、实时语音交互，方案开源基于ESP32，加AI模型+硬件，实现“帮我过马路”，系统就会实时播报“前方3米有斑马线，现在绿灯，可以通行” 功能可以扩展，比如新增“找公交站”功能，在 workflow_blindpath.py加代码即可其他人也能同时用手机或电脑以第一视角实时看，远程协助盲道导航，基于YOLO实时识别盲道、智能语音引导、识别障碍物并规划避障路线、识别急转弯并提前提醒过马路辅助，实时检测斑马线位置方向、识别红绿灯、引导用户对准斑马线中心、绿灯时语音提示可以通行物品识别与查找，智能物品搜索、使用YOLO-E开放词汇检测+ByteTrack 追踪、结合MediaPipe手部检测引导手部靠近物品、检测手部握持动作确认已拿到实时语音交互，基于阿里云DashScope Paraformer实时语音识别、多模态对话项目来自B站AI研究室-帆哥 #AI导盲眼镜 #AI导盲

#AI导盲眼镜 #盲人辅助 #开源项目 #B站帆哥 #实时语音交互

1个月前

强，一款多Agent舆情分析系统：BettaFish微舆，用自然语言提出需求，这就可以自动分析国内外30+主流社媒相当于“零门槛”有了个情报智库，一句话拿到全景舆情报告全域采集，爬虫集群同时抓取微博、小红书、抖音、快手等 10+平台，评论也抓可以多模态识别，像抖音、快手等短视频内容能解析，搜索引擎里的天气、日历、股票等结构化信息卡片也能解析除了外部公开舆情，也可以把企业内部数据库接进来一起分析也可以做为特定领域的舆情分析工具，比如说，修改一下Agent工具集的api参数与prompt，就可以变成一个金融领域的市场分析系统 #AI舆情工具 #BettaFish微舆

#AI舆情工具 #BettaFish微舆 #多Agent舆情分析 #全域采集 #零门槛

1个月前

阿里最新放出了一款用于理解和操作GUI的GUI Grounding模型：UI-Ins，在5个基准上刷出新SOTA，安卓任务成功率74.1% 主打一个“把一句话变成屏幕上的准确点击”，指令即推理，它把一句话拆成多条思维链，然后挑最靠谱的那条去点屏幕有泛化推理能力，能组合出训练时没有明确教过的新推理角度有7B、32B两版 UI-Ins的7B在AndroidWorld端到端任务成功率74.1%，比Gemini 2.5 Computer Use的69.7 %高出4个点 UI-Ins-32B在UI-I2E-Bench上达到了87.3%的准确性，在ScreenSpot-Pro上达到了57.0%，在MMBench-GUI L2上达到了84.9% #大模型 #UIIns

#UI-Ins #GUI Grounding模型 #安卓任务成功率74.1% #泛化推理能力 #大模型

1个月前

美团刚刚开源了一款低延迟全模态大模型：LongCat-Flash-Omni，128K上下文+支持超8分钟实时音视频交互能听能看能说，毫秒级延迟，可以拿来搭建实时语音助手、直播弹幕机器人、音视频质检等在OmniBench上超Gemini-2.5-Flash、Qwen3-Omni，接近Gemini 2.5 Pro；在MMBench与Gemini、GPT-4o、Qwen-VL相当；MVBench上超Gemini 2.5 Pro和 GPT-4o 通用知识接近DeepSeek V3.1、Qwen3等总参数560B，激活27B，基于其LongCat-Flash的ScMoE 架构 #大模型 #LongCatFlashOmni

Google Gemini 2.5发布引发AI模型性价比热议· 475 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息

#美团 #LongCat-Flash-Omni #开源 #大模型 #多模态 #低延迟

1个月前

英伟达版的“Banana”，英伟达开源了一款物理级图像编辑模型：ChronoEdit-14B，静态图+一句话，4秒生成一张符合物理的图像 ChronoEdit具备“时间观念”和“物理常识”，它能理解动作，比如说“推倒”、“拿起”这种动作，可以根据它学到的物理常识，画出这个动作发生后，世界应该变成什么样子 8 步扩散完成一次图像编辑，在H100上约4秒一张图从效果看，预测动作发生结果的能力比较强，改变姿势后，人物、服装、背景风格的一致性也保持的比较好，光影、反射效果处理的也比较符合逻辑可以用在游戏制作、电影特效、机器人训练等场景上 #ChronoEdit #AI图像编辑

AI视频井喷：Midjourney领跑，多模态混战· 337 条信息

#英伟达 #ChronoEdit-14B #AI图像编辑 #物理级图像编辑 #4秒生成图像

2个月前

Claude Skill：Vibe working的时代来临，每个人都可以用自然语言构建专业的workflow，以结果为导向替代人和岗位的新时代来临 Claude skill等同于简历里的skill，使用大模型的解决问题的方式越来越接近人类的工作协同方式，渐进式信息加载到context是claude skill的核心设计思想。

Claude Skills系统发布引发AI行业新变革· 66 条信息

#claude skill #自然语言 #Workflow #大模型 #工作协同

2个月前

Anthropic前两天新出的一个让Claude从通用秒变领域专家的工具：Agent Skills 它把知识、脚本和资源打包成文件夹，让Claude按需动态加载，来解决通用大模型缺乏领域流程以及上下文的问题相当于给AI写一份指南，告诉它如何使用公司的工具、遵循特定的工作流程来完成任务结构比较简单，一个文件夹+（YAML开头写明名称与描述）渐进式信息披露的方式，AI只在需要时加载信息，节省上下文窗口，启动时只读YAML开头，需要时整篇 SKILL 入上下文，再深入才读同目录下的附加文件/脚本技能包里可以包含文本指令、Python脚本，AI可直接运行脚本，也可把代码读入上下文当参考开发流程：先评估任务缺口，再小步迭代补技能，用真实对话观察 Claude使用方式，让Claude自己反思并补充技能相当于Agent Skills通过模块化可扩展的方式，把专业知识打包后赋能AI，来构建满足特定需求的智能体 #AIAgent #AgentSkills

Claude Skills系统发布引发AI行业新变革· 66 条信息

#Anthropic #Claude #Agent Skills #领域专家 #AI工具

2个月前

酷，从论文生成演示视频的工具：Paper2Video，输入一篇论文，直接吐出一段带真人头像、字幕、翻页指针的学术演讲视频把读论文、做PPT、录讲解、剪片子全部自动化了，几分钟可产出一条能直接发B站/YouTube的学术演讲视频其技术实现是用了一个PaperTalker多智能体框架，该框架把复杂的生成任务分解成四个并行的构建器幻灯片构建器，把论文转成LaTeX幻灯，自动排版、自动纠错字幕构建器，看图说话，写出讲解词和该指哪的提示光标构建器，把提示变成屏幕坐标，同步移动鼠标/激光笔演讲者构建器，用TTS把字幕转成旁白，再用预先提供的演讲者肖像照，生成虚拟数字人演讲视频并且它配备了一套评估体系，来评价生成的学术视频的准确性和高效性 #论文转视频 #Paper2Video

#论文转视频 #Paper2Video #学术演讲视频 #自动化 #数字人

2个月前

新加坡国立大学Show Lab放出了一款教育视频自动生成工具：Code2Video，非常实用把写教案升级为了自动代码动画生成，同时更好的解决了生成内容逻辑结构和视觉准确性的问题对老师来说，只需要输入教学主题就能自动获得一个3Blue1Brown风的教学动画 Code2Video核心是让AI先自动写Manim Python代码，然后再渲染出教育视频，并非直接出视频。是一个多智能体架构，包括Planner、Coder和Critic 看给出的效果，跟Veo3、Wan-2.1比，Code2Video在逻辑结构、知识准确性，以及教学清晰度上表现更好一些视频通过代码生成，对生成的每个元素、动作、公式都可以精准控制，这就比较适合需要逻辑结构和视觉准确性的教学场景 #AI教学视频生成 #AI公式视频 #AI教育 #Code2Video

AI视频井喷：Midjourney领跑，多模态混战· 337 条信息

#AI教学视频生成 #Code2Video #新加坡国立大学 #教育动画 #Manim Python

2个月前

sora 2的发布，正式开启AI视频分发平台0-1的突破（也应验年初的2025趋势预测），未来将产生以下十大影响： 1、sora2的发布，正式将AI视频2D生成领域带向全面内卷化，其实当前开源领域已经可以达到类似效。 2、为AI类视频的分发提供了原生native的地方，也将极大打击抖音、tiktok等平台的对AI类视频内容不友好的气焰（这类平台极大限制AI生成内容的分发） 3、未来一年全网的视频、图像内容中，AI类内容渗透率将从不足10%提升到35%以上，也就是我们看到3条内容将有1条是AI生成的。 4、AI生成电影将在未来6个月内成为现实，虽然当前sora2生成电影还有些乏力，但这个gap在6个月内就会被磨平。 5、sora2将会极大刺激视觉领域：影视行业、广告片行业、动态漫行业、短剧行业等将会迎来大的爆发，在AI加持下将会大爆发，规模也会在原来规模基础上增加3倍+。 6、sora2成为AI首个集生产内容和消费内容为一体的平台，也会成为AI领域继大模型、AI搜索之后的第三个被C端用户大规模接受的赛道，将会出现AI超级应用。 7、法律法规大概率在6个月内会有相关落地，以防止诈骗等AI类灰色内容产生。 8、sora2也会反向为视觉模型、物理模型的成熟带来大量的优质数据集，极大的促进视觉模型大爆发，开源版的sora2预计在2个月内会出现。 9、困扰很多视觉模型的数据集版权问题（尤其前段时间海螺ai的版权风波罚款），sora2的出现会极大的缓解，尤其当年语言模型都蒸馏gpt一样，这一波视觉模型也会同样发生。 10、国产的sora2大概率在2个月内会出现，困扰大家最难的是视频数据集的版权，至少这次sora2的出现一定程度上解决了这个问题。 #sora2 #tiktok #sora的影响

AI视频井喷：Midjourney领跑，多模态混战· 337 条信息

#Sora2发布 #AI视频分发 #AI内容渗透率提升 #AI生成电影 #视觉领域爆发

2个月前

谷歌发布的Veo3的核心技术CoF（视觉模型思维链），正在推动视觉模型从特定任务模型到通用视觉模型的演进，犹如当年大语言模型经历了NLP到LLM的进化，视觉模型也在经历从特定任务的CV到通用视觉基础模型的进化。 Veo 3 有很强的泛化能力，其在未训练任务上表现出极强的零样本能力，如物体分割、边缘检测、物理模拟和迷宫求解等。通过 18,384 个生成视频评估 62 个定性任务和 7 个定量任务，证明视频模型可成为通用视觉基础模型，其不仅是视频生成模型还是视觉感知基础模型。 Veo 3 像 LLM 改变文字一样，推动视频 AI 向通用基础模型演进，降低门槛，促进教育和研究创新，这篇论文将成为通用视觉基础模型的一个重要基石。核心论文：

智谱直播发布全球最佳视觉模型GLM-4.5V，挑战AI视觉领域极限· 21 条信息

#谷歌Veo3 #视觉模型思维链CoF #通用视觉模型 #零样本能力 #视频AI