冷水工具箱

DianJin-R1 – 阿里云通义点金联合苏大推出的金融推理大模型

DianJin-R1是阿里云通义点金团队与苏州大学联合推出的金融领域推理增强大模型，专为金融任务设计，融合了先进的技术和全面的数据支持。模型通过推理增强监督......

Ev-DeblurVSR – 中科大等机构推出的视频画面增强模型

Ev-DeblurVSR是中国科学技术大学、合肥综合性国家科学中心人工智能研究所和新加坡国立大学联合推出的视频画面增强模型，能从低分辨率且模糊的视频输入中恢复......

Embodied Reasoner – 浙大联合阿里等机构推出的具身交互推理模型

Embodied Reasoner是浙江大学、中国科学院软件研究所、阿里巴巴集团等机构推出的新型的具身交互推理模型，基于视觉搜索、推理和行动协同完成复杂任务。模型基......

风宇 – 中国气象局联合华为和南昌大学推出的空间天气大模型

风宇是中国气象局联合南昌大学和华为共同推出的全球首个全链式空间天气大模型。模型基于创新的链式训练结构，结合卫星观测数据与数值模式数据，实现太阳风、......

RepText – Liblib AI联合Shakker Labs推出的多语言视觉文本渲染框架

RepText 是Shakker Labs 和 Liblib AI推出的多语言视觉文本渲染框架，基于复制字形而非理解文本内容实现高质量的文本渲染。框架基于预训练的单语言文本到图像......

Xiaomi MiMo – 小米开源的首个推理大模型

Xiaomi MiMo 是小米开源的首个推理（Reasoning）大模型，支持提升模型在复杂推理任务中的表现。模型基于联动预训练和后训练，挖掘大量富推理语料并采用创新的......

F-Lite – Freepik联合FAL开源的文生图模型

F-Lite是Freepik团队联合FAL开源的10B参数的文生图模型。基于Freepik内部80M有版权的数据集训练，支持商业用途。F-Lite将T5-XXL作为文本编码器，基于抽取第17......

ACI.dev – 为AI智能体设计的开源MCP基础设施平台

ACI.dev 是开源的基础设施平台，专为 AI 智能体设计，提供强大的工具调用支持。集成了 600 多种预构建工具，涵盖 Gmail、Slack、Notion 等常见应用，支持通过......

URM – 阿里妈妈推出的世界知识大模型

URM（Universal Recommendation Model）是阿里妈妈推出的世界知识大模型，基于知识注入和信息对齐，将LLM的通用知识与电商领域的专业知识相结合，解决传统LLM......

DeepSeek-Prover-V2 – DeepSeek推出的开源数学推理大模型

DeepSeek-Prover-V2 是深度求索团队 DeepSeek 开源的专注于数学推理的超大规模语言模型。包含两个版本：DeepSeek-Prover-V2-671B 和 DeepSeek-Prover-V2-7B，......

Rowboat – 开源AI编程工具，快速构建多智能体助手

Rowboat 是开源的低代码 AI IDE，专注于构建多智能体助手的 MCP（多云平台）工具。通过可视化界面和 AI 辅助开发功能，帮助用户快速设计、配置和测试智能体工......

Qwen2.5-Omni-3B – 阿里 Qwen 团队推出的轻量级多模态 AI 模型

Qwen2.5-Omni-3B 是阿里巴巴 Qwen 团队推出的轻量级多模态 AI 模型。是 Qwen2.5-Omni-7B 的精简版，专为消费级硬件设计，支持文本、音频、图像和视频等多种输......

TesserAct – AI 4D具身世界模型，能预测3D场景的动态演变

TesserAct 是创新的 4D 具身世界模型，能预测 3D 场景随时间的动态演变，响应具身代理的动作。通过训练 RGB-DN（RGB、深度和法线）视频数据来学习，超越了传......

VoltAgent – 开源的AI Agent构建和编排框架

VoltAgent 是开源的 TypeScript 框架，用在构建和编排 AI Agent。VoltAgent 提供构建 AI 应用的基础结构和工具，简化与大语言模型（LLM）的交互、状态管理、......

Aero-1-Audio – LMMs-Lab 推出的轻量级音频模型

Aero-1-Audio 是 LMMs-Lab 开发的轻量级音频模型，基于 Qwen-2.5-1.5B 构建，仅包含 1.5 亿参数。专为长音频处理设计，能支持长达 15 分钟的连续音频输入，无......

NoteLLM – 小红书推出的笔记推荐多模态大模型框架

NoteLLM 是小红书推出的针对笔记推荐的多模态大型语言模型框架。NoteLLM 基于生成笔记的压缩嵌入和自动生成标签类别，用大型语言模型（LLM）的强大语义理解能......

X-Fusion – 加州大学联合Adobe等机构推出的多模态融合框架

X-Fusion 是加州大学洛杉矶分校、威斯康星大学麦迪逊分校和 Adobe Research 联合提出的多模态融合框架，将预训练的大型语言模型（LLMs）扩展到多模态任务中，......

Phi-4-reasoning – 微软推出的Phi-4推理模型系列

Phi-4-reasoning 是微软推出的 140 亿参数的推理模型，专为复杂推理任务设计。通过监督微调（SFT）训练而成，使用了 OpenAI 的 o3-mini 模型生成的高质量推理......

HoloTime – 北大联合鹏城实验室推出的全景4D场景生成框架

HoloTime 是北京大学深圳研究生院和鹏城实验室推出的全景 4D 场景生成框架，基于视频扩散模型将单张全景图像转化为具有真实动态效果的全景视频，进一步重建为......

T2I-R1 – 港中文联合上海AI Lab推出文生图模型

T2I-R1 是香港中文大学和上海AI Lab联合推出的新型文本生成图像模型。基于引入双层推理机制，语义级链式思维（CoT）和 Token 级 CoT，实现高层次图像规划与低......

Cobra – 清华、港中文和腾讯开源的漫画线稿上色框架

Cobra（Efficient Line Art COlorization with BRoAder References）是清华大学、香港中文大学和腾讯ARC实验室推出的漫画线稿上色框架，专为高精度、高效率和......

KeySync – 帝国理工联合弗罗茨瓦夫大学推出的口型同步框架

KeySync 是帝国理工学院和弗罗茨瓦夫大学推出的用在高分辨率口型同步框架，支持将输入音频与视频中的口型动作对齐。KeySync 基于两阶段框架实现，首先生成关......

Omni Reference – Midjourney V7推出的图像参考功能

Omni Reference 是 Midjourney 推出的全能参考功能，支持用户将特定的人物、物体或场景从参考图像中嵌入到生成的图像中。Omni Reference 适用于Midjourney V7......

3DV-TON – 阿里达摩院联合浙大等推出的视频虚拟试穿框架

3DV-TON（Textured 3D-Guided Consistent Video Try-on via Diffusion Models）是阿里巴巴达摩院、湖畔实验室和浙江大学联合推出的基于扩散模型的视频虚拟试......

ACE-Step – ACE Studio联合阶跃星辰开源的音乐生成基础模型

ACE-Step 是 ACE Studio 和 StepFun 联合推出的开源音乐生成基础模型，基于创新的架构设计实现高效、连贯且可控的音乐创作。ACE-Step结合扩散模型、深度压缩......

ReasonIR-8B – Meta AI 推出专为推理密集型检索任务设计的模型

ReasonIR-8B 是 Meta AI 推出的专为推理密集型检索任务设计的模型。基于 LLaMA3.1-8B 训练，采用双编码器架构，将查询和文档分别编码为嵌入向量，通过余弦相......

Voila – 开源端到端语音大模型，实现低延迟语音对话

Voila 是开源的端到端语音大模型，专为语音交互而设计。具备高保真、低延迟的实时流式音频处理能力，能直接处理语音输入并生成语音输出，为用户提供流畅且自......

kimi-thinking-preview – 月之暗面推出的多模态思考模型

kimi-thinking-preview 是月之暗面推出的多模态思考模型，具备深度推理能力，擅长解决复杂问题，如代码、数学和工作难题。模型基于 reasoning_content 字段展......

UniTok – 字节联合港大、华中科技推出的统一视觉分词器

UniTok 是字节跳动联合香港大学和华中科技大学推出的统一视觉分词器，能同时支持视觉生成和理解任务。基于多码本量化技术，将视觉特征分割成多个小块，每块用......

D-DiT – 耶鲁大学联合字节Seed等机构推出的多模态扩散模型

D-DiT（Dual Diffusion Transformer）是卡内基梅隆大学、耶鲁大学和字节跳动Seed实验室推出的多模态扩散模型，能统一图像生成和理解任务。模型结合连续图像扩......

AI项目和框架