【新智元导读】有了3D-语言模型，去重庆导航也不在「话」下!大型语言模型（LLM）和视觉语言模型(VLM)在各种评测基准中都展现出了强大的性能，比如可以看图说话、进行常识推理。但这些模型的训练过程并没有引入3D物理世界，也就无法理解更丰富的现实概念，包括空间关系、布局、物体
......
本文由站长之家合作伙伴自媒体作者“新智元公众号”授权发布于站长之家平台，本平台仅提供信息索引服务。由于内容发布时间超过平台更新维护时间，为了保证文章信息的及时性，内容观点的准确性，平台将不提供完全的内容展现，本页面内容仅为平台搜索索引使用。需阅读完整内容的用户，请查看原文，获取内容详情。
（举报）
11.11云上盛惠！海量产品 · 轻松上云！云服务器首年1.8折起，买1年送3个月！超值优惠，性能稳定，让您的云端之旅更加畅享。快来腾讯云选购吧！
腾讯云
12-20
Evisort成功开发了专门用于法律协议的大型语言模型，并将其作为其新的多方位生成AI引擎的关键组成部分。该LLM将使Evisort能够提供比通用的第三方LLMs更准确和响应更灵活的AI创新，从帮助组织更好地管理合同。这一创新也受到了业界的认可，得到了微软风投M12的高度评价。
大语言模型在改变人们的生活和职业方面影响越来越大，因为它们实现了编程助手和通用聊天机器人等新应用。这些应用的运行需要大量硬件加速器如GPU，操作成本非常高。更大的模型、更复杂的解码算法和更长的序列会导致更明显的改进。
OpenAI研究科学家HyungWonChung在首尔国立大学做了题为「LargeLanguageModels」的演讲。他在自己的YouTube频道上写到:「这是一次雄心勃勃的尝试，旨在总结我们这个爆炸性的领域。至于哪个AI模型将成为这个新范式的旗舰代表，就让我们拭目以待吧。
Omnimatte是迄今为止最有前景的视频抠图方法。它使用单应性建模背景，因此只适用于背景为平面或仅有旋转运动的视频。它也可助力构建沉浸式的虚拟环境。
波兰虚拟现实游戏开发公司CarbonStudio的联合创始人AleksanderCaban多年前观察到现代游戏设计中存在一个重要问题:手动创建视频游戏环境中的基本元素，如岩石、山丘、路径等，通常是耗时且繁琐的过程。为了解决这个问题，Caban决定开发技术来自动化这个过程。我们的团队两年前开始开发这个工具，使我们能够拥有一个可供使用的产品。
备受关注的大语言模型，核心是自然语言的理解与文本内容的生成，对于此，你是否好奇过它们究竟是如何理解自然语言并生成内容的，其工作原理又是什么呢?要想了解这个，我们就不得不先跳出大语言模型的领域，来到机器翻译这里。传统的机器翻译方式是采用RNN循环神经网络。以上就是大语言模型的工作原理了，强大Transformer的实用性还不止于在自然语言处理领域，包括�
关于3D自然场景生成的研究已经很多，但对于3D城市生成的研究相对较少。这是因为在城市环境中，人们对结构扭曲更加敏感生成3D城市比生成3D自然场景更为复杂。这一技术的应用前景非常广阔，将在游戏、城市规划、虚拟现实等领域发挥关键作用。
目前，人工智能芯片技术仍处于发展的初期阶段，技术迭代速度加快，技术发展路径尚在探索中，尚未形成具有绝 对优势的架构和系统生态。随着越来越多的厂商推出人工智能芯片产品，该领域市场竞争日趋激烈。寒武纪自成立以来一直专注于人工智能芯片设计领域，积累了较强的技术和研发优势，已获得一批核心技术与关键专利，技术创新能力得到业界广泛认可，并较早实�
在网上创建引人注目的设计对于吸引用户的兴趣和帮助他们理解信息非常重要。这种新方法，被称为LayoutNUWA，通过使用语言模型将编码指令转化为出色的布局，使这些设计更加智能。通过这些核心功能，LayoutNUWA为用户提供了一个强大的布局生成工具，可以应用于各种项目和领域，从提高布局生成的效率和质量。
MistralAI，一家法国人工智能初创公司，最近发布了一款性能优越的语言模型Mistral7B，并免费向所有人提供使用。图片来源:米斯特拉尔人工智能该模型基于Apache2.0许可证发布，除了归属之外，没有任何使用或复制的限制。对于对Mistral7B模型的开放性以及未来发布计划的一些疑问，我们已经联系了Mistral，并等待他们的回复。
AI神器大全是一个集合了多种AI工具的平台，旨在为AI领域的专家和初学者提供一站式服务。它收录了国内外5000+优质AI工具，覆盖了AI对话聊天、AI绘画设计、AI视频制作、AI写作办公、AI编程开发等多个领域。用户可以通过该平台快速找到所需的AI工具，无论是提高工作效率、学习新技术还是寻找娱乐资源，AI神器大全都能满足需求。
LongLLaVA是一个多模态大型语言模型，通过混合架构高效扩展至1000图像，旨在提升图像处理和理解能力。该模型通过创新的架构设计，实现了在大规模图像数据上的有效学习和推理，对于图像识别、分类和分析等领域具有重要意义。
Flux Image Generator是一个利用先进AI模型技术，将用户的想法迅速转化为高质量图像的工具。它提供三种不同的模型变体，包括快速的本地开发和个人使用模型FLUX.1 [schnell]，非商业应用的指导蒸馏模型FLUX.1 [dev]，以及提供最先进性能图像生成的FLUX.1 [pro]。该工具不仅适用于个人项目，也适用于商业用途，能够满足不同用户的需求。
FlowBuddy 是一款旨在帮助用户重新掌控时间和专注力的应用程序。通过阻止分心应用、将空闲时刻转化为学习机会，FlowBuddy 促进了更专注和有意识的数字体验。
AutoShorts.ai是一个强大的AI视频创作平台，能够完全自动化地创建和管理无面孔视频频道。用户可以通过选择话题或自定义提示来创建视频系列，AI将立即开始制作独特的视频。平台支持视频编辑、预览、自动发布到频道等功能，并且提供不同级别的订阅服务，满足不同用户的需求。
SoBrief是一个提供书籍摘要和音频的网站，它通过将书籍内容浓缩成易于理解的摘要，帮助用户在短时间内掌握书籍的核心思想。这个平台支持多种语言，拥有超过73,530本书籍的摘要，覆盖了广泛的主题和领域。SoBrief特别适合那些希望快速获取知识、提升阅读效率的用户，无论是学生、专业人士还是终身学习者，都能从中受益。
Altera是一个由计算神经科学家、物理学奥林匹克竞赛者和工程师组成的团队，致力于创造能够与人类一起生活、关怀、成长的数字人类。他们利用先进的人工智能技术，模仿大脑结构，构建具有前额叶皮层、记忆系统、社会情感状态等模型的数字代理。这些数字人类不仅能够与人类进行互动，还能在游戏等虚拟世界中迭代发展，最终实现多智能体模拟、工作力量，甚至物理形态的数字智能。
docai 是一个利用人工智能技术从非结构化文档中提取结构化数据的模型。它集成了Answer.AI的Byaldi、OpenAI的gpt-4o以及Langchain的结构化输出技术，能够显著提高文档处理的效率和准确性。该模型主要面向需要处理大量文档数据并从中提取有用信息的用户，如法律、金融、医疗等行业的专业人士。
iText2KG是一个Python包，旨在利用大型语言模型从文本文档中提取实体和关系，增量构建一致的知识图谱。它具备零样本能力，允许在没有特定训练的情况下跨不同领域进行知识提取。该包包括文档蒸馏、实体提取和关系提取模块，确保实体和关系得到解决和唯一性。它通过Neo4j提供知识图谱的可视化表示，支持交互式探索和分析结构化数据。
Google Gemini AI 提示库是一个集成在Google AI Studio中的资源库，它为开发者提供了一系列的AI功能提示和代码示例。这些提示覆盖了音频处理、视频分析、数据转换、教育辅助、游戏设计等多个领域，旨在帮助开发者快速实现复杂的AI功能，提高开发效率和产品质量。
Altera PlayLabs是一个在线互动平台，用户可以通过选择不同的角色进行模拟生存体验。该平台通过模拟生存游戏，让用户在虚拟环境中体验生存挑战，增强用户的决策能力和应变能力。产品背景信息显示，该平台拥有多种角色供用户选择，每种角色都有其独特的生存技能和挑战。价格方面，目前平台提供免费体验，但可能包含内购项目。
GenAgent是一个框架，它通过创建工作流来构建协作AI系统，并将这些工作流转换为代码，以便大型语言模型（LLM）代理更好地理解。GenAgent能够从人类设计的工作中学习并创造新的工作流，生成的工作流可以被解释为协作系统，以完成复杂任务。
magic-html是一个Python库，旨在简化从HTML中提取主体区域内容的过程。它提供了一套工具，能够轻松地从HTML中提取主体区域内容，无论处理的是复杂的HTML结构还是简单的网页，这个库都旨在为用户提供一个便捷高效的接口。它支持多模态抽取，支持多种版面extractor，包括文章、论坛和微信文章，还支持latex公式提取转换。
doesVideoContain是一个利用人工智能在浏览器中检测视频内容的模型。它允许用户通过简单的英语句子描述来自动抓取视频截图，识别视频中的重要时刻。这个模型完全在客户端运行，保护用户隐私，无需支付API费用，并且可以处理本地大文件，无需上传至云端。它使用了Web AI生态系统中的Transformers.js和ONNX Runtime Web，结合了自定义逻辑来执行余弦相似度计算。
OptiSpeech是一个高效、轻量级且快速的文本到语音模型，专为设备端文本到语音转换设计。它利用了先进的深度学习技术，能够将文本转换为自然听起来的语音，适合需要在移动设备或嵌入式系统中实现语音合成的应用。OptiSpeech的开发得到了Pneuma Solutions提供的GPU资源支持，显著加速了开发进程。
CrisperWhisper是基于OpenAI的Whisper模型的高级变体，专为快速、准确、逐字的语音识别设计，提供准确的词级时间戳。与原始Whisper模型相比，CrisperWhisper旨在逐字转录每一个说出的单词，包括填充词、停顿、口吃和错误的开始。该模型在逐字数据集（如TED、AMI）中排名第一，并在INTERSPEECH 2024上被接受。
Svd Keyframe Interpolation 是一个基于奇异值分解(SVD)技术的关键帧插值模型，用于在动画制作中自动生成中间帧，从而提高动画师的工作效率。该技术通过分析关键帧的特征，自动计算出中间帧的图像，使得动画更加流畅自然。它的优势在于能够减少动画师手动绘制中间帧的工作量，同时保持高质量的动画效果。
该产品是一个图像到视频的扩散模型，通过轻量级的微调技术，能够从一对关键帧生成具有连贯运动的连续视频序列。这种方法特别适用于需要在两个静态图像之间生成平滑过渡动画的场景，如动画制作、视频编辑等。它利用了大规模图像到视频扩散模型的强大能力，通过微调使其能够预测两个关键帧之间的视频，从而实现前向和后向的一致性。
RECE是一种文本到图像扩散模型的概念擦除技术，它通过在模型训练过程中引入正则化项来实现对特定概念的可靠和高效擦除。这项技术对于提高图像生成模型的安全性和控制性具有重要意义，特别是在需要避免生成不适当内容的场景中。RECE技术的主要优点包括高效率、高可靠性和易于集成到现有模型中。
Follow-Your-Canvas 是一种基于扩散模型的视频外延技术，它能够生成高分辨率的视频内容。该技术通过分布式处理和空间窗口合并，解决了GPU内存限制问题，同时保持了视频的空间和时间一致性。它在大规模视频外延方面表现出色，能够将视频分辨率显著提升，如从512 X 512扩展到1152 X 2048，同时生成高质量和视觉上令人愉悦的结果。
