来自微软、 东京大学、浙江大学、中国科学技术大学、香港中文大学和香港中文大学（深圳）的研究人员推出新型文本到语音（TTS）合成方法RALL-E，它通过改进语音的音调和时长预测，以及增强模型对音素的关注，从而生成更加准确和自然的语音输出。想象一下，你有一段文字，想要让它变成流畅自然的语音，就像有人在朗读一样。RALL-E... 阅读全文

Cohere推出了大型语言模型Command R+。专为企业级工作负载设计，优化了高级检索增强生成(RAG)功能，以减少错误生成，并支持10种关键语言的多语言覆盖。 以下是官方介绍全文翻译： Command R+是一款经过RAG优化的尖端模型，专门设计用于处理企业级工作负载，并首先在Microsoft Azure平台上... 阅读全文

阿里推出新型3D场景编辑框架Freditor，它通过频率分解技术实现了高保真度和可迁移性的NeRF（Neural Radiance Fields，神经辐射场）编辑。想象一下，你有一张3D渲染的日落场景图片，想要将其编辑成夜晚的样子，同时保持场景的细节和一致性。Freditor就是为此而生的工具。总之，Freditor是... 阅读全文

亚马逊AWS发布论文探讨了基于扩散的文本到图像生成（Text-to-Image, T2I）模型的可扩展性。扩散模型是一种通过逐步去噪来生成图像的深度学习技术。论文的主要目的是理解如何有效地扩展这些模型以提高性能，同时降低成本。 主要功能和特点： 模型和数据集的扩展性研究：论文通过大量实验研究了扩展模型和数据集对性能的影... 阅读全文

谷歌推出新型的基于Transformer的语言模型“Mixture-of-Depths”（MoD），它能够动态地在模型的不同层之间分配计算资源。传统的变换器模型在处理输入序列时，对每个标记（token）都均匀地分配计算资源。然而，并非所有的标记都需要相同的计算量来准确预测结果。MoD模型通过学习动态地决定哪些标记需要更... 阅读全文

来自韩国的研究人员推出新型框架THINK-AND-EXECUTE，旨在提高大语言模型（LLMs）在算法推理任务上的表现。算法推理是指理解问题背后的复杂模式，并将其分解为一系列推理步骤以找到解决方案的能力。这种能力对于语言模型来说是一个挑战，因为它们需要将复杂的推理模式转化为一系列详细的步骤。总的来说，THINK-AND... 阅读全文

智谱AI推出ChatGLM-Math，提升大语言模型（LLMs）在解决数学问题方面的能力。想象一下，你有一个超级聪明的机器人助手，它可以和人类一样理解和使用语言，但是当你给它一些数学题目时，它却常常束手无策或者给出错误的答案。这篇论文就是想解决这个问题，让机器人助手不仅能聊天，还能帮你解决数学题。这项研究的目标是让语言... 阅读全文

元象发布XVERSE-MoE-A4.2B大模型 ，采用业界最前沿的混合专家模型架构，激活参数4.2B，效果即可达到13B模型水准。据介绍，XVERSE-MoE-A4.2B实现了极致压缩，相比XVERSE-13B-2仅用30%计算量，并减少50%训练时间。在多个权威评测中，元象MoE效果大幅超越Gemma-7B、Mist... 阅读全文

普林斯顿团队开源发布了Agent打造的AI程序员SWE-agent，它能让GPT-4等大模型轻松编辑和运行代码，在SWE-bench测试集上获得与首个AI程序员Devin相似的准确度，平均耗时93秒。 项目主页：https://swe-agent.com GitHub：https://github.com/prince... 阅读全文

来自德克萨斯大学奥斯汀分校和Rembrand的研究团队推出先进语音合成模型VOICECRAFT，它能够在不需要任何额外文本的情况下，对语音进行编辑和合成，这被称为零样本文本到语音（TTS）任务。想象一下，你有一段录音，想要改变里面的某些词语或者语调，而不需要重新录制整个句子，VOICECRAFT就能够做到这一点。同样，... 阅读全文

谷歌发布视频插值生成模型VIDIM，它能够根据给定的起始和结束帧生成中间的短视频。想象一下，你有两张图片，一张是一个人跳起来的动作，另一张是这个人落地的动作，VIDIM能够在这两张图片之间生成一系列连贯的帧，形成一个平滑的跳跃动作视频。 主要功能和特点： 高保真视频生成： VIDIM能够生成结构连贯、动作自然流畅的高质... 阅读全文

langchain-extract 是一个简单的网络服务器，它允许您使用大型语言模型（LLMs）从文本和文件中提取信息。该服务器基于 FastAPI、LangChain 和 Postgresql 构建。后端设计紧密遵循提取用例的文档，并提供了一个参考应用实现，帮助用户利用 LLMs 进行数据提取操作。这个仓库旨在作为构... 阅读全文