-
OpenAI开发者大会推出四大创新：提示词缓存可减少50%输入token成本
10月2日消息，美东时间10月1日OpenAI举行了年度开发者大会DevDay，推出系列新工具，包括四大创新：实时API（Realtime API）、视觉微调（Vision Fine-Tuning）、提示词缓存（Prompt Caching）、模型蒸馏（M...
-
MidJourney 产品拆解调研报告
目录 1.产品概述 2. 目标用户与市场定位 3. 产品核心功能拆解 功能列表 功能使用流程 交互体验 4.用户体验评估 1. 用户视角 2. 情感设计 3. 使用场景 5.数据和技术分析 1. 技术架构 2. 性能评估 3....
-
Datewhale×魔搭 AI夏令营第四期 AIGC方向Task3笔记
·Part1 ComfyUI 1.ComfyUI简介： GUI 是 "Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI 就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。 ComfyUI 是GUI的一...
-
Datawhale X 魔搭 AI夏令营第四期 AIGC方向 task03笔记
模型微调 模型微调 文生图的工作流平台工具ComfyUI 什么是ComfyUI ComfyUI核心模块 魔搭安装ComfyUI LoRA微调 Lora详解 UNet、VAE和文本编码器的协作关系 如何准备一个高质量的数据集 明确需求...
-
【扩散模型（六）】Stable Diffusion 3 diffusers 源码详解1-推理代码-文本处理部分
系列文章目录 【扩散模型（一）】中介绍了 Stable Diffusion 可以被理解为重建分支（reconstruction branch）和条件分支（condition branch） 【扩散模型（二）】IP-Adapter 从条件分支的视角，快...
-
【Midjourney】Midjourney全面开放网站版，所有用户每天可免费生成25次
Midjourney一直作为AI文生图领域的龙头老大，最近对面对市场上日益增长的竞争压力，尤其是来自 Flux 的挑战，终于向所有用户开放官方网站。尽管还处于早期阶段，但为了吸引更多用户体验，它暂时是完全免费的。 下面是Midjourney 官方发布了一...
-
Meta AI新动向：Llama 4瞄准GPT-4，Agent技术或成研发重点
Meta的AI研发进展 Meta的AI科学家Thomas Scialom在最近的采访中透露了Llama系列大型语言模型的最新动态。Scialom谈到了Llama 3.1的研发思路，并展望了即将到来的Llama 4模型。他表示，Llama 3.1是在追求与...
-
GPT-4o模仿人类声音，诡异尖叫引OpenAI研究员恐慌！32页技术报告出炉
【新智元导读】五颗草莓到底指什么?盼了一天一夜，OpenAI只发来一份32页安全报告。报告揭露:在少数情况下，GPT-4o会模仿你的声音说话，或者忽然大叫起来……事情变得有趣了。 昨天奥特曼率众人搞了一波「草莓暗示」的大阵仗，全网都在翘首以盼OpenAI的...
-
ChatGPT首次被植入人类大脑：帮助残障人士开启对话
快科技8月6日消息，据媒体报道，马斯克在脑机接口中最强大的竞争对手Synchron有了新的技术进展，他们首次将ChatGPT整合到其脑机系统中，以使瘫痪患者更容易控制他们的数字设备。 Synchron凭借其独特的脑机接口（BCI）技术脱颖而出，该技术巧妙地...
-
微信小程序调用文心一言数据模型
微信小程序调用文心一言数据模型 目录 微信小程序调用文心一言数据模型 1.百度千帆大模型平台介绍 2.调用模型程序实现 1.百度千帆大模型平台介绍 调用： 首先要与数据模型API的地址建立连接，利用微信自带api-wx.reques...
-
每日AIGC最新进展(30)：阿卜杜拉国王大学提出旋转视角视频生成Vivid-ZOO、浙江大学提出4D场景编辑Instruct 4D-to-4D、西安交大提出3D重建大规模数据集OpenMateria
Diffusion Models专栏文章汇总：入门与实战 Vivid-ZOO: Multi-View Video Generation with Diffusion Model 本文提出了一种名为Vivid-ZOO的新型扩散模型，用于从文本...
-
【AIGC-图片生成视频系列-7】MoonShot：实现多模态条件下的可控视频生成和编辑
目录 一. 贡献概述 二. 方法详解编辑 三. Zero-Shot主题定制视频生成 四. 文本到视频生成 五. 直接使用图像ControlNet 六. 图像动画比较 七. 视频编辑 八. 针对视频生成中多模态 Cross-Attn的消融实...
-
Niantic利用Meta Llama让数字生物栩栩如生
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同...
-
10款AI变现案例：利用stable diffusion 赚钱的10种方式
stable diffusion 是一种基于文本生成图像的深度学习模型，它可以根据任何文本输入生成逼真的图像。它利用了 CLIP ViT-L/14 文本编码器的文本嵌入和扩散模型的潜在变量，实现了高质量的图像合成。 stable diffusion 可以...
-
Stable diffusion批量自动化出图
目录 问题背景 问题场景分析 批量文生图 批量图生图 Comfyui自动化 问题背景 现在有一批提示词，想通过文生图，针对每个提示词生成多张效果图，然后对效果图经过图生图、ControlNet的...
-
微信输入法上线“问AI”AI 问答功能
微信输入法近日发布了Windows和macOS双平台的1.2.0正式版更新，此次更新带来了全新的AI问答功能，为用户带来了更为智能和便捷的输入体验。现在，用户只需在输入内容后轻按“=”键，即可直接获取AI的智能回答。 在最新版本的微信输入法中，AI问答功...
-
【学习笔记】文生图模型——Stable diffusion3.0
2.0原理才看到VAE，sd3.0就发布了，虽然还没看到源码和详解，但原来的那个小方向估计得弃。人已经麻了。 1.LDMs模型（stable diffusion≈LDMs+CLIP） 2.stable diffusion3.0模型架构图...
-
meta-llama/Meta-Llama-3-8B
https://huggingface.co/meta-llama/Meta-Llama-3-8B 型号细节 Meta开发并发布了Meta Llama 3家族大型语言模型(LLM ,这是一组预训练和指令微调的生成性文本模型,大小为8B和70B参数。L...
-
MetaAI发布Llama 3模型：4000亿参数的AI新标杆
开源和闭源大战 前几天，百度李彦宏说闭源才有意义。 周鸿祎在哈佛论坛演讲上说，别听李彦宏胡说八道，没有开源就没有Linux，就没有今天的互联网，李彦宏自己都是借助开源的力量走到今天，现在反手说开源不好了？话音刚落，Meta这个奶妈就又开源了，我们又回...
-
苹果解释 iOS 18 中的 AI 文本生成表情符号 Genmoji 工作原理
iOS 18 中的一项 Apple Intelligence 功能是 Genmoji，它允许 iPhone 用户通过 AI 根据文本输入生成全新的表情符号角色。根据 iOS 18 在 WWDC 会议上的介绍，Genmoji 看起来类似于传统的表情符号，但它...
-
从注册到订阅，Midjourney使用指南，你想知道的都有
Midjourney简介 Midjourney官网：https://www.midjourney.com/home 是一个独立的研究实验室，专注于探索新的思维方式和扩展人类的想象力。它由一个小型的自筹资金团队组成，该团队专注于设计、人类基础设施和人...
-
人工智能 | 360自研可控布局AI绘画模型HiCo发布
龙年春意伊始，360人工智能研究院正式发布新的AI绘画模型：可控布局生成模型HiCo。与大家所熟悉的文生图模型相比，HiCo在普通的文本输入之上，提供了更为强大的画面布局控制能力：用户可以根据自己的构思，指定在画面不同的区域生成不同的指定内容，实现A...
-
快手、字节“妙鸭化”，AI图像应用还能再度出圈吗？
在文生图领域，快手也开大了。 据“头号AI玩家”了解，自研文生图大模型“可图”（Kolors）已于近日面向公众开放，用户可通过“可图大模型”微信小程序和网页版使用。 体验链接:https://kolors.kuaishou.com/ 小程序搜索:可图大模...
-
研究发现：OpenAI 的 GPT-4 在金融分析领域具有 “相对优势”：
根据芝加哥大学布斯商学院的一项研究，OpenAI 的 GPT-4在金融分析和预测方面超越了人类分析师，即使没有行业特定信息。这项研究上周公布，发现 GPT-4这一大型语言模型在分析财务报表和预测未来收益方面表现出色。研究称:“即使没有任何叙述或行业特定信息...
-
AI绘画：利用ComfyUI进行文生图操作的完整指南
前言 ComfyUI作为一款基于Stable Diffusion的节点式操作界面，为用户提供了一个更加灵活和高效的文生图（文本生成图像）创作环境。本篇博客将详细介绍如何使用ComfyUI进行文生图操作，无论你是初学者还是有一定基础的用户，都能够通过本指南...
-
探索Llama 3模型在地理行业的应用
Llama 3模型简介 Llama 3模型是基于最新的神经网络架构设计而成，它融合了Transformer和图像注意力机制，能够同时处理自然语言和图像输入，实现跨模态信息的融合和理解。这使得Llama 3模型在地理信息处理和分析方面有着独特的优势...
-
通义千问GPT-4级主力模型Qwen-Long API输入费用暴跌97%
今日阿里云宣布将其GPT-4级主力模型Qwen-Long的API输入价格从每千tokens0.02元降至每千tokens0.0005元，直降了惊人的97%。 这一举动意味着，现在用户只需花费1块钱就可以购买200万tokens，相当于5本《新华字典》的文字...
-
击穿全球底价！阿里云通义千问GPT-4级主力模型降价97%：约为GPT-4价格的1/400
快科技5月21日消息，今日阿里云宣布，通义千问GPT-4级主力模型Qwen-Long，API输入价格从0.02元/千tokens降至0.0005元/千tokens，直降97%。 这意味着，1块钱可以买200万tokens，相当于5本《新华字典》的文字量。...
-
OpenAI“杀疯了”，GPT–4o模型保姆级使用教程！一遍就会！
5月14日凌晨1点，OpenAI发布了名为GPT-4o 最新的大语言模型，再次引领了人工智能领域的又一创新浪潮，让整个行业都为之震动。 据OpenAI首席技术官穆里-穆拉提（Muri Murati）表示，GPT-4o是在继承GPT-4智能的基础上，对文本...
-
OpenAI CEO下场回应「封口协议」，争议还是到了股权利益上，奥特曼：我的锅
自从 Ilya 和 超级对齐负责人 Jan 离职后，OpenAI 内部还是心散了，后续也有越来越多的人离职，同时也引发了更多的矛盾。 昨天，争议的焦点来到了一份严格的「封口协议」。 OpenAI 前员工 Kelsey Piper 爆料，任何员工的入职文...
-
谷歌发布 Music AI Sandbox：根据提示制作循环
作为今年 Google I/O2024大会的亮点之一，谷歌正式推出了名为 Music AI Sandbox 的音乐制作工具。这一工具被称为是音乐创作的新风向标，能够通过 AI 提示来创作音乐循环，让音乐创作变得更加轻松和有趣。 据报道，Music AI S...
-
音乐人值得尝试的十大文本转音乐AI平台
想了解更多AIGC的内容，请访问： 51CTO AI.x社区 https://www.51cto.com/aigc/ 从生成旋律到创作整首曲子，这些文本转音乐AI平台让我们得以一窥音乐创作的未来。 新时代的应用程序如雨后春笋般涌现，音乐领域的Sora时...
-
虚拟人聊天系统Live2D 利用ChatGPT+对口型打造你自己的AI女友
这是一个基于 Unity 开发的 Live2D 虚拟人聊天系统项目。通过 Live2D 技术，项目展现了一个动态的虚拟人形象，让二维图像在屏幕上以近乎三维的形式呈现，提供流畅的动画效果，增强用户交互体验。 虚拟人可以与用户进行实时的文本交流，利用 API...
-
中山大学“梗王”大模型CLoT 靠讲笑话入选顶会CVPR
中山大学HCP实验室联合Sea AI Lab和哈佛大学等单位开展的一项研究，成功地让大型人工智能模型通过讲笑话的方式，探索多模态大模型的创造力，并因此获得了计算机视觉和模式识别领域的顶级会议CVPR的认可。 这项研究的关键在于使用来自日本的“大喜利”（Oo...
-
文生图——stable diffusion生成有趣的动漫图像
Stable Diffusion是一个文本转图像的模型，由CompVis、Stability AI和LAION共同开发。它能够从一段简单的文本输入中快速生成相应的图像。此外，它还可以导入图像并配合文本对其进行处理。从技术角度来看，Stable Diffus...
-
AI绘图：Stable Diffusion ComfyUI局部重绘与智能扩图全面教程
前言 在数字艺术创作中，局部重绘和智能扩图是两个非常重要的功能。局部重绘允许我们在保留原有图像的基础上，对特定区域进行修改或创新。而智能扩图则能够帮助我们在图像的边缘添加新的元素，从而扩展图像的内容。本文将详细介绍如何在Stable Diffusion...
-
苹果研究人员称其设备端模型 ReALM 性能优于 GPT-4，可大幅提升 Siri 智能程度
IT之家 4 月 2 日消息，虽然目前 Siri 可以尝试描述信息中的图像，但效果并不稳定。不过，苹果公司并没有放弃人工智能领域的探索。在最近的一篇研究论文中，苹果的人工智能团队描述了一种可以显著提升 Siri 智能的模型，而且他们认为这个名为 ReA...
-
上海交大新框架解锁CLIP长文本能力，多模态生成细节拿捏，图像检索能力显著提升
CLIP长文本能力被解锁，图像检索任务表现显著提升！ 一些关键细节也能被捕捉到。上海交大联合上海AI实验室提出新框架Long-CLIP。 △棕色文本为区分两张图的关键细节 Long-CLIP在保持CLIP原始特征空间的基础上，在图像生成等下游任务中即插...
-
OpenAI推出声音克隆新技术：复刻你的声音仅需15秒
快科技3月31日消息，据媒体报道，OpenAI公司最近推出了一项革命性的声音克隆技术Voice Engine”。 据悉，Voice Engine通过文本输入和15秒的音频样本，便能生成与原始说话者声音极为相似、情感丰富且自然逼真的语音。 这一技术的研发始于...
-
AI绘画Imagen大力出奇迹生成图像
AI绘画Imagen大力出奇迹生成图像 介绍 Imagen是一个文本到图像的扩散模型，由Google大脑团队研究所开发。 Imagen通过创新的设计，摈弃了需要预训练视觉-语言模型的繁琐步骤，直接采用了T5等大规模语言模型作为文...
-
Video-LLaMa:利用多模态增强对视频内容理解
在数字时代，视频已经成为一种主要的内容形式。但是理解和解释视频内容是一项复杂的任务，不仅需要视觉和听觉信号的整合，还需要处理上下文的时间序列的能力。本文将重点介绍称为video - llama的多模态框架。Video-LLaMA旨在使LLM能够理解视频中的...
-
微软新工具LLMLingua-2：可将 AI 提示压缩高达80%，节省时间和成本
微软研究发布了名为 LLMLingua-2的模型，用于任务不可知的提示压缩。该模型通过智能地去除长提示中的不必要词语或标记，同时保留关键信息，使得提示长度可减少至原长度的20%，从而降低成本和延迟。研究团队写道:“自然语言存在冗余，信息量不尽相同。” LL...
-
迎接国内AIGC时代！Kimi连续5次扩容：10分钟接近任何领域专家水平
快科技3月22日消息，月之暗面的Kimi火了，昨天下午，大模型应用Kimi的APP和小程序均显示无法正常使用。 随后其母公司月之暗面发布说明，称自20日以来Kimi流量增加的趋势远超预期规划，公司已经进行了5次扩容工作，推理资源会持续配合流量进行扩容，以承...
-
库克在中国首谈苹果生成式AI 今年晚些时候推出
今日，苹果公司CEO蒂姆・库克亲临上海，就一系列话题与媒体进行了交流。 其中，针对提问:“iPhone在人工智能领域取得了哪些进展?”库克详尽地回应称，AI技术已深入渗透至苹果产品的众多功能中。举例来说，Apple Watch的摔倒检测功能以及iPhone...
-
库克首次在中国谈生成式AI：重申将于今年晚些时候宣布
快科技3月20日消息，日前，苹果公司CEO蒂姆库克现身上海，预计将参加明天上海静安Apple Store开幕活动。 据媒体报道，当被问及关于iPhone在人工智能（AI）方面的进展时，库克表示，AI技术已广泛应用于苹果产品的各个领域。 他以Apple Wa...
-
【AI绘画】2024最新Stable Diffusion 超详细讲解！！必收藏！！！！
手把手教你入门绘图超强的AI绘画，用户只需要输入一段图片的文字描述，即可生成精美的绘画。给大家带来了全新保姆级教程资料包 （文末可获取） Stable Diffusion 超详细讲解 这篇文章是 《Stable Diffusion原理详解》的后续，在...
-
探索编程新纪元：Code GeeX、Copilot与通义灵码的智能辅助之旅
在人工智能技术日新月异的今天，编程领域的革新也正以前所未有的速度推进。新一代的编程辅助工具，如Code GeeX、Copilot和通义灵码，正在重塑开发者的工作流程，提升编程效率，并推动编程教育的普及。本文将深入探讨这三款工具的特点、优势与局限，为开发者提...
-
Stable Diffusion 3 技术论文解读：开源能赢得文生图竞赛吗？
在大语言模型领域，闭源模型正在赢得比赛，无论是 OpenAI 还是刚刚发布新模型的 Anthropic，都是闭源模型的代表。 但在文生图领域，开源模型却表现出了足够强的竞争力。 2 周前，开源模型的代表企业 Stability AI 发布了最新...
-
科幻片成真！Figure与OpenAI合作新进展 Figure 01接入ChatGPT后成“精”了！
Figure最新展示了他们与OpenAI合作的成果，这一合作让他们的机器人获得了惊人的能力。机器人可以进行语音对话、描述周围环境、做出决策推理、执行高层次请求，并口头解释推理过程。这些功能使得机器人能够执行类似人类的快速、灵巧动作，表明这一合作取得了显著进...
-
Stable Diffusion中的Clip模型
基础介绍 Stable Diffusion 是一个文本到图像的生成模型，它能够根据用户输入的文本提示（prompt）生成相应的图像。在这个模型中，CLIP（Contrastive Language-Image Pre-training）模型扮演了一个关键...