Gallery-Portfolio 是一个简单的 摄影作品展示站，你只需要将图片存放在免费的 Cloudflare R2 上（或其他支持 AWS S3 的对象存储），即可在这里展现你的精选图片。在这里你可以通过 瀑布流 的形式浏览图片，也可以 点开大图 ，查看光圈 / 快门 / ISO 等 EXIF 信息。网站基于 N... 阅读全文

图小小（Pic Smaller）是一款开源的图片压缩工具，它提供了一种简单易用的方式来批量处理图片文件和文件夹。这款工具支持多种图片格式，包括JPEG、PNG、WEBP、AVIF、SVG和GIF，能够满足不同用户的需求。 开源与技术亮点 开源项目：图小小的源代码是开放的，这意味着任何人都可以查看、修改或贡献代码。 现代... 阅读全文

这篇论文的主题是关于一种新型的深度学习模型参数预测方法，称为LOGAH（Low-rank GrAph Hypernetworks），它用于初始化大型深度学习模型，特别是拥有数亿参数的Transformer模型，如视觉Transformer（ViT）和生成式预训练Transformer（GPT-2）。这种方法旨在帮助研究... 阅读全文

威斯康星大学麦迪逊分校和微软的研究人员推出大型多模态模型M3（Matryoshka Multimodal Models）。这种模型的设计灵感来源于俄罗斯套娃（Matryoshka Dolls），它能够将视觉内容表示为嵌套的视觉标记（tokens），这些标记在不同的粗糙到精细的粒度级别上捕捉信息。例如，你正在开发一个自动... 阅读全文

麻省理工学院推出新技术Trans-LoRA，它是一种用于大语言模型（LLMs）的参数高效微调（PEFT）方法。Trans-LoRA的核心目标是在不访问原始训练数据的情况下，实现低秩适配器（LoRA）模型在不同基础模型之间的无损转移。这项技术为大型模型的迁移和微调提供了一种高效、实用且几乎不需要数据的方法，极大地方便了模... 阅读全文

这篇论文的主题是介绍和探讨视觉-语言模型（Vision-Language Models，简称VLMs）。这类模型旨在将视觉信息（如图像）与语言信息（如文字描述）结合起来，以实现更丰富的人工智能应用。简单来说，VLMs就是教会计算机如何“看图说话”和“按文索骥”。 主要功能： 图像与文本的联合表示： VLMs能够理解图像... 阅读全文

香港大学和清华大学的研究人员推出新框架Part123，它能够从单视图图像中重建出具有结构意义的部分（part-aware）的3D模型。Part123利用了扩散模型（diffusion models）生成多视图一致的图像，并结合了Segment Anything Model（SAM），这是一个强大的通用图像分割模型，能够... 阅读全文

Zyphra推出新型人工智能语言模型Zamba，Zamba是一个7亿参数（7B SSM）的混合模型，它结合了SSM（State Space Model，状态空间模型）和Transformer的特点，旨在提供与大型开放模型相媲美的性能，同时在参数成本上保持较低的水平。论文还讨论了Zamba与其他模型的比较，以及它在不同基... 阅读全文

马里兰大学、劳伦斯利弗莫尔国家实验室、蒂宾根埃利斯研究所、马克斯·普朗克智能系统研究所、图宾根人工智能中心和卡内基梅隆大学的研究人员发布论文，论文的主题是关于如何让一种名为“Transformer”的人工智能模型更好地执行数学运算，特别是大数字的加法。Transformer模型在处理语言和生成代码方面已经取得了很大进步... 阅读全文

北京大学的研究人员推出类似阿里的Emo和微软的VASA-1的文本引导的2D头像生成框架InstructAvatar，它能够根据自然语言指令来控制头像的表情和动作。简单来说，InstructAvatar就像是一个虚拟的“演员”，可以根据你给它的文本提示，展现出各种细腻的表情和动作。 项目主页：https://wangyu... 阅读全文

香港科技大学、腾讯AI实验室的研究人员推出新颖3D建模系统CraftsMan，它能够生成高保真的3D几何体，这些几何体形状多样、网格拓扑规则，并具有详细的表面细节。更重要的是，CraftsMan允许以交互式的方式对几何体进行细化。CraftsMan通过结合3D原生扩散模型和交互式几何细化技术，为3D建模领域带来了一个既... 阅读全文

俄亥俄州立大学 和卡内基梅隆大学的研究人员发布论文探讨了transformers，这是一种在自然语言处理（NLP）领域广泛使用的模型，是否能够学习隐式推理（implicit reasoning），即在没有明确指导的情况下对知识进行推理。隐式推理是一种能力，它允许模型在面对新的、未见过的情况时，能够运用已有的知识来做出合... 阅读全文