文章列表-AI魔法学院

文章列表

OCR终结了？旷视提出可以文档级OCR的多模态大模型框架Vary，支持中英文，已开源！

以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤—— 这一次，只需一句话命令，多模态大模型 Vary 直接端到端输出结果：无论是中英文的大段文字

OCR 手写文字识别

AI写作：一步到位，如何用 AI 生成整篇文章？做自媒体必看！

话不多说，直接上干货！

结构化提示词写作

6.2K Star！MIT出品的多语言语音合成神器，CPU实时推理吊打商业软件！

每种语言一套API，集成复杂得要命每次搞TTS都像在交智商税，花钱还买不到好体验。

MeloTTS 语音工具

AI+大模型在金融行业的应用场景

AI技术之于现有金融行业的赋能是多领域、多环节的。

AI大模型金融

Nvidia发布Llama3-ChatQA-1.5: 提升对话问答和表格推理能力，平均性能超越GPT-4

该模型在对话式问答和检索增强型生成等能力方面表现出色，在综合评测指标上甚至超越了当前业界顶尖的GPT-4模型。

Llama3-ChatQA-1.5 对话问答模型

中学生能看懂：Sora 原理解读

这就像你在查看世界名胜相册时，尽管照片多种多样，但你依然能通过相同的方式去理解和欣赏它们。

Sora 原理

LLM每周速递！大模型最前沿：多模态RAG、RAG加速、大模型Agent、模型微调/对齐

随着当前多模态模型的发展，它可以同时处理文本和图像，「那么能否将多模态模型应用到RAG系统呢？」

大模型研究

Stable Diffusion

Stable Diffusion ControlNet：Reference“垫图”功能，不炼丹也能保持同一人物

ControlNet推出Reference(参考)控制类型也有一段时间了，最近体验了一下，被他的强大的效果震惊到了，之前一直想生成同一主体系列图片，需要Lora炼丹，这个不仅需要电脑有一定的配置，还要处理大量素材图片耗时耗力

文生图

openpose原理及安装教程（姿态识别）

OpenPose是一个用于实时多人姿态估计的开源库，它可以检测图像或视频中的人体关键点，并且能够识别不同的身体部位和动作。

行为识别姿态识别

30 多年前被 Windows、Linux “灭掉”的操作系统 MS-DOS 4.0，微软在 GitHub 上开源了！

年后，微软将 MS-DOS 4.0 开源距离 1988 年首次发布，MS-DOS 4.0 至今已有近 36 年的历史，此次微软开源的 MS-DOS 4.0 项目是在 MIT 许可下发布，具体包含了源代码

MS-DOS 4.0 开源模型微软

图解 Transformer——功能概览

使得类 GPT 系列这样的模型，不仅能理解和生成自然语言，还能在多种任务上表现出色，如文本摘要、问答、翻译等。

Transformer 大模型图解

用AI生成PPT、用AI优化PPT

百度李厂长在百度世界大会上说百度文库的智能生成PPT功能能力远超国内外产品。

ppt AI生成PPT

TTS，一个奇妙的AI工具

在自媒体盛行的今天，很多人尝试制作视频发到自媒体平台上，通过获得流量的方式实现直接或间接变现。

TTS 文本转语音

大模型评测新思路：弱智吧精华问题大全

百度「弱智吧」是个神奇的地方，在这里人人都说自己是弱智，但大多聪明得有点过了头。

弱智吧训练数据集

FaceFusion又更新咯，增强功能再增强！

我们先来看看这次更新了什么：优化安装程序的默认值和 CPU 选择为换脸器添加高性能 FP16 版本将 ONNX

FaceFusion 文生图

<...8 9 10 111213 14 15 16 17 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1