Veed AI Voice Generator

InfiMM-WebMath-40B 是字节跳动和中国科学院联合开源的超大规模多模态数据集，旨在提升多模态模型的图文混合推理能力，在数学领域。数据集从 Common Crawl 中提取，经过严格的筛选、清洗和标注，包含 2400 万个网页、8500 万个图像 URL 和 400 亿个文本标记，涵盖了丰富的数学和科学相关内容。

AI教程资讯 2025-01-31

SAM 2 1（全称Segment Anything Model 2 1）是Meta（Facebook的母公司）推出的先进视觉分割模型，用于图像和视频。基于简单的Transformer架构和流式记忆设计，实现实时视频处理。SAM 2 1在前代基础上引入数据增强技术，改善对视觉相似物体和小物体的识别，提升遮挡处理能力。

AI教程资讯 2025-01-31

Qwen2VL-Flux是多模态图像生成模型，结合Qwen2VL的视觉语言理解和FLUX框架，基于文本提示和图像参考生成高质量的图像。模型支持多种生成模式，包括变体生成、图像到图像转换、智能修复及ControlNet引导生成，具备深度估计和线条检测功能，实现更精确的图像控制。

AI教程资讯 2025-01-31

ShowUI是新加坡国立大学Show Lab和微软共同推出的视觉-语言-行动模型，能提升图形用户界面（GUI）助手的工作效率。模型基于UI引导的视觉令牌选择减少计算成本，用交错视觉-语言-行动流统一GUI任务中的多样化需求，并管理视觉-行动历史增强训练效率。

AI教程资讯 2025-01-31