大模型日报

 

2024-06-16

 

大模型资讯

 

大模型产品

 

1. MARS5 TTS：开源高拟真语音合成

 

• 摘要: MARS5 TTS是一款开源语音合成模型，能以2-3秒音频为参考，在140多种语言中复制高难度场景，如体育解说、电影和动漫等。

 

1. AI工具首发平台：免费获取首个外链

 

• 摘要: 打造AI工具，需推广助力？每周新AI工具在此发布，免费获取首个外链，提升SEO，吸引新用户。

 

1. Humanize AI文本：让AI写作更人性化

 

• 摘要: Humanize AI Text将AI生成内容转化为自然、人性化的文本，支持多语言，提升可读性，绕过AI检测系统。

 

1. MarketingAI：生成SaaS营销计划

 

• 摘要: 输入网址，MarketingAI为您的SaaS生成100%定制的25页营销计划，包含用户增长和投资回报率预测。

 

1. Orbic AI免费工具套件上线

 

• 摘要: Orbic AI免费工具套件现已在Product Hunt上线！涵盖从病毒内容创作到专业邮件撰写，助力提升创意与效率。

 

1. StratifyAI：AI竞争分析助手

 

• 摘要: StratifyAI帮你揭示市场机会，精准分析趋势，轻松超越竞争对手，助力战略成功。

 

1. NewRA.ai：构建AI对话应用

 

• 摘要: NewRA是一款先进的SaaS平台，帮助企业无缝集成强大的AI解决方案，提供订阅和白标选项，利用自定义知识库提升效率与创新。

 

1. 发现并分享最佳AI工具

 

• 摘要: SubmitAITool让你发现和分享最佳AI工具。提交你独特的AI工具或分享你喜欢的AI产品，与他人交流。

 

大模型论文

 

1. VideoGPT+: 图像与视频编码器融合的视频理解

 

• 摘要: VideoGPT+结合图像和视频编码器的优点，通过自适应池化策略提升视频理解性能，并在多个基准测试中表现优异。

 

1. MiCo: 可扩展的多模态预训练范式

 

• 摘要: 提出MiCo预训练范式，扩展多模态数据和模型参数，显著提升多模态学习能力，创37项新纪录。

 

1. 视觉模型与人类美学对齐的算法与基准

 

• 摘要: 本文提出一种基于偏好强化学习的方法，结合LLM推理和美学模型，提升视觉模型在检索系统中的美学表现，并引入HPIR数据集进行评估。

 

1. 高效长视频问答关键帧选择策略

 

• 摘要: 本文提出了两种新方法，优化长视频问答中的关键帧选择和序列感知描述，显著减少冗余，提升性能。

 

1. LLAVIDAL：日常生活活动的LLVM基准测试

 

• 摘要: 提出LLAVIDAL框架，通过ADL-X数据集微调LLVM，实现对日常生活活动的复杂时空关系理解，并提出ADLMCQ基准测试。

 

1. 视觉-语言地理基础模型综述

 

• 摘要: 本文综述了视觉-语言地理基础模型(VLGFMs)，介绍其背景、核心技术及多模态地理任务应用，并讨论未来研究方向。

 

1. VideoNIAH:视频理解基准框架

 

• 摘要: VideoNIAH通过合成视频生成构建基准，评估视频模型的时空理解能力，支持长距离依赖任务。

 

1. ElicitationGPT: 基于语言模型的文本评分机制

 

• 摘要: 本文开发了利用ChatGPT进行文本评分的机制，并通过同行评审数据集与人工评分进行对比，验证其与人类偏好的对齐情况。

 

1. 通过提示梯度对齐增强领域适应

 

• 摘要: 本文提出了一种新的多目标优化框架，通过对齐每个目标的梯度来促进一致性，并通过罚则防止过拟合。

 

1. 基于自监督离散语音单元的口语理解模型

 

• 摘要: 提出使用自监督离散语音单元（DSU）和大语言模型（LLM）结合，实现跨领域口语问答任务的指令跟随能力。

 

大模型开源项目

 

1. Roboflow：计算机视觉工具

 

• 摘要: Roboflow 提供可重用的计算机视觉工具，使用 Python 编写，帮助用户轻松构建和部署视觉模型。

 

1. 微软生成式AI入门课程

 

• 摘要: 微软推出18课生成式AI入门课程，Jupyter Notebook编写，帮助初学者快速上手。了解更多：https://microsoft.github.io/generative-ai-for-beginners/

 

1. 最强大模块化稳定扩散GUI

 

• 摘要: 一个用Python编写的强大稳定扩散GUI、API和后端，具有图形/节点界面，功能强大且模块化。

 

1. Apple Silicon上的Whisper语音识别

 

• 摘要: argmaxinc项目在Apple Silicon设备上实现Whisper语音识别模型的本地推理，使用Swift语言编写。