Gorden Sun

统计数据

410

文章

0

粉丝

0

获赞

2928

阅读

3个月前

Cohere发布Command A Vision 视觉多模态模型，评分超过GPT 4.1，开源但不可商用。模型：

#Cohere #Command A Vision #多模态模型 #GPT 4.1 #开源

3个月前

类似扩散模型的Deep Research框架谷歌发布的论文，把生成研究报告的过程概念化成一个扩散过程，生成的过程就是去噪的过程。先生成一份初稿，类似扩散模型可以更新，作为指导下一步的基础。然后每一步都基于上一步的结果，整合外部信息更新报告，直到生成最终的结果。论文：

谷歌Deep Research：AI操作系统雏形？· 126 条信息

#扩散模型 #Deep Research #谷歌 #研究报告生成 #去噪过程

3个月前

超薄3D MR眼镜实现一篇发表在自然上的论文，使用波导全息技术和AI驱动的全息算法，实现在超薄的眼镜硬件上显示3D MR效果。后续代码会开源。项目地址：论文：

#超薄3D MR眼镜 #波导全息技术 #AI驱动全息算法 #开源 #自然

3个月前

--sref 864764428 Midjourney的这个风格参考，可以生成一只手在画铅笔画，然后用Flux Kontext编辑图片去掉主体只保留手，然后把这两张图用作首尾帧，即可生成一只手画铅笔画的全过程。

AI视频井喷：Midjourney领跑，多模态混战· 310 条信息

#midjourney #风格参考 #铅笔画 #FLUX kontext #图片编辑

3个月前

资讯日报，7月29日：

#资讯日报 #7月29日

3个月前

我感觉Wan 2.2没什么明显提升啊？就是用MoE提升了生成速度么？

Google Gemini 2.5发布引发AI模型性价比热议· 282 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 657 条信息

#Wan 2.2 #MoE #生成速度 #性能提升 #疑问

3个月前

微软给Edge浏览器增加了Copilot Mode，可以把Edge变成AI浏览器，支持多标签页总结，自动操作等功能，基本跟Fellou一致。

#Edge浏览器 #Copilot Mode #AI浏览器 #多标签页总结 #自动操作

3个月前

资讯日报，7月28日：

#资讯日报 #7月28日

3个月前

模型架构的AlphaGo时刻上海交大发布的论文，这篇论文提出并证明了一个观点：AI能够自主发现新的创新架构，并写出代码实现和验证性能。他们设计的模型ASI-Arch，在超过 2万个 GPU 小时的时间内进行了 1773 次自主实验，发现了 106 个创新的、更好的线性注意力架构。论文：

#AI #模型架构 #AlphaGo时刻 #上海交大 #ASI-Arch

3个月前

周末又研究了一下HRM（分层推理模型），这个模型的特点是模仿人类大脑的信息处理机制，高层模块推理慢负责规划，低层模块推理快负责计算。初始状态时，高层模块和低层模块的参与率相似，在经过1000个样本的学习（训练）后，高层模块的参与率明显高于低层模块，也就是说HRM的分层智能并非由设计者硬编码，而是在学习过程中“涌现”出的特性。一个设想：因为HRM只有0.027B的大小，训练新能力也只需要1000个样本，也许可以发展成大模型的工具来用。现在的LLM的tool use/function cal都是调用已有的API和工具，针对特定领域的推理性任务，可以收集1000个样本快速训练出一个HRM模型，然后当做工具来用，这种方式理论上没有天花板。 HRM论文： Github：

#HRM #分层推理模型 #大模型工具 #涌现 #小样本学习

3个月前

资讯日报，7月27日：

#资讯日报 #7月27日

3个月前

Zread：智谱的Github Wiki 类似DeepWiki，AI整理了Github仓库的内容，可以快速上手、了解架构。相比DeepWiki，优点是原生就有中英双语，对国人更友好。使用地址：

#智谱 #Github Wiki #AI整理 #中英双语 #知识库

3个月前

こうすればうまくいくのに。 #タコピーの原罪 #タコピー

#タコピーの原罪

3个月前

资讯日报，7月26日：

#资讯日报 #7月26日

3个月前

3Blue1Brown发布了一个介绍Diffusion模型原理的视频用图形化和简单易懂的方式，介绍了AI绘画和AI视频背后的扩散模型的原理，包括CLIP、Shared Embedding Space、Diffusion Models & DDPM、Prompt等内容，普通人也能看懂。 YouTube：

AI视频井喷：Midjourney领跑，多模态混战· 310 条信息

#3Blue1Brown #Diffusion模型 #AI绘画 #AI视频 #科普

3个月前

Coze开源，肯定是好事，只不过开源的稍微有点别扭。字节内部，Coze肯定已经变成两个版本了，原Coze的版本和这次开源的社区版。社区版跟抖音相关的功能不开源是正常的，为啥语音输入输出、项目级别的触发器、应用发布记录这种功能也不开源。另外可以说整体说面向的是国内商家用户，毕竟代码里注释都是中文的。我比较好奇，具体哪种类型的公司会部署Coze，原来国内用Dify的那些么？

#Coze开源 #字节跳动 #Dify #国内商家 #中文注释

3个月前

资讯日报，7月25日：

#资讯日报 #7月25日

3个月前

Seed LiveInterpret 2.0：同声传译模型字节发布的新版本同声传译模型，延迟非常低，自动克隆人声，支持中英互译。试了一下效果整体不错，翻译效果肯定没问题，首句话的延迟稍高，开始后速度没问题，人声音质稍差。在线体验：论文：

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 657 条信息

#Seed LiveInterpret 2.0 #同声传译模型 #字节跳动 #中英互译 #人声克隆

3个月前

Midjourney生成视频，新增了首尾帧功能，且支持生成循环视频。效果挺好。

AI视频井喷：Midjourney领跑，多模态混战· 310 条信息

3个月前

ThinkSound：视频生成声音实际支持视频、文本、音频生成和编辑音频，适用于给视频配音效，效果还可以。个人感觉不如MMAudio。项目地址： Github：在线体验：

#ThinkSound #视频生成声音 #视频配音效 #音频编辑 #AI

3个月前

资讯日报，7月23日：

3个月前

使用SDXL实现类似Flux Kontext的图片编辑效果需要稍微复杂的workflow，但是方法很妙。第一步：准备要编辑的图片，把它放在一张空白图的右一半第二步：添加一个遮罩，控制生成图片时只在左一半生成第三步：使用图生图功能，到此就实现了保持角色一致的编辑，但是左侧的是镜像图。提示词：(split screen, multiple views, reference sheet:1.1), 1girl, [:arm up:0.2] 第四步：如果把要编辑的图片，同时用作图片参考，那么就能纠正镜像，实现类似Kontext的编辑图片效果。效果和便捷度都比不上Kontext上，但确实是SDXL老树新发芽的余热。原贴：

#SDXL #图片编辑 #FLUX kontext #图生图 #镜像纠正

3个月前

资讯日报，7月22日：

#AI乱象不止：内容注水，隐私堪忧· 202 条信息

3个月前

谷歌在AI Studio里上线了一个小应用，利用Gemini Flash 2.5的图片识别能力，识别出图片中的指定物体，并标记出来。也可以自己开发部署，提供了原始的prompt供使用。官方介绍：在线使用：

Google Gemini 2.5发布引发AI模型性价比热议· 282 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 657 条信息

#Gemini Flash 2.5 #图片识别 #AI Studio #谷歌 #物体标记

3个月前

OpenMed：开源顶级NER模型开源、免费、效果超过付费模型，造福人类的模型。NER模型是用于结构化提取关键信息的模型，可以把关键的医疗术语从句子中提取出来，尤其能识别医疗领域才会出现的词汇（p53 gene这种）。AI要想参与医疗诊断，这是起始必经的第一步。相比于LLM，OpenMed开源的NER模型参数极其微小，且准确率高到接近100%。 OpenMed覆盖医疗场景齐全，文档规范、工程化完备，低门槛就能上手，医疗领域+可商用协议+完备的细节，可以让各个国家的医疗模型都有落地的基础设施，所以说是造福人类的模型。官方介绍：模型：

#开源NER模型 #医疗术语提取 #OpenMed #AI医疗诊断 #低门槛可商用