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...

近日，一款名为Strobelight的性能分析服务引起了技术界的广泛关注。该服务基于开源技术构建，旨在为开发者提供高效、精准的性能分析工具。Strobelight通过集成多种开源组件，能够实时监控应用程序的运行状态，帮助开...

近日，BodyGen公司宣布推出一种创新的拓扑感知自注意力机制和时序信用分配机制，旨在显著提升机器人形态与控制协同设计的效率。这一技术突破通过优化机器人形态的拓扑结构，结合自注意力机制，能够更精准地捕捉机器...

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...