在视频理解领域，大多数模型通常逐帧处理视频数据，这使得处理时间相关的问题变得具有挑战性。STORM模型通过引入Mamba适配器，增加了时间注意力操作，从而显著提升了长视频的理解能力。与Qwen模型相比，STORM在处理...

近日，Gemini团队宣布成功训练并发布了一款全新的文本Embedding模型。该模型在多项基准测试中表现优异，不仅性能卓越，还具备出色的运行速度。此外，其定价策略也相当合理，使其成为市场上极具竞争力的选择。这一模...

近日，一款轻量级的自回归流式文本转语音模型在GitHub上发布。该模型仅包含3000万参数，能够与任何语言模型（LLM）结合，使其具备理解和生成语音的能力，以响应通用查询。这一技术的核心优势在于，它无需对底层模型...

Segment Anything (SAM) 是视觉分析与分割领域的领先模型，但在处理视频中外观相似的对象时，可能会出现混淆。为了解决这一问题，Distractor Aware SAM 应运而生。该技术通过引入额外的记忆增强和训练机制，有效应对...

近日，Kiss3DGen技术引起了广泛关注，该技术通过重新利用2D扩散模型，实现了高效的3D对象生成。Kiss3DGen利用多视角图像和法线贴图，能够生成高质量的3D网格和纹理。这一创新不仅简化了3D生成流程，还显著提升了生成...

近日，GitHub上发布了一款名为FlowDec的高质量音频压缩工具。FlowDec是一款全频带音频编解码器，采用条件流匹配（conditional flow matching）和非对抗性训练（non-adversarial training）技术，能够实现48 kHz高保...

近日，GitHub上发布了一款名为Spark Text To Speech的语音克隆模型，该模型基于Qwen架构，能够通过文本输入生成高质量的语音。值得注意的是，该模型支持情感提示功能，用户可以通过输入情感指令来调整生成语音的情感...

近日，ToLo推出了一种创新的两阶段、无需训练的布局到图像生成框架，专门针对高重叠布局设计。该框架通过两个独立的阶段实现图像生成：第一阶段利用预训练的模型生成初步图像，第二阶段则通过优化算法对图像进行精细...