直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

我想找一些具有「图片理解」能力的模型，最好是国内的

回答

以下是一些具有“图片理解”能力的国内模型：

  1. Gemini 模型：在各种图像理解基准测试中表现出色，如在表 7 中的各项测试中是最先进的，在回答自然图像和扫描文档的问题，以及理解信息图表、图表和科学图解等任务中性能强大。在 zero-shot 评估中表现优于其他模型，在多学科的 MMMU 评估基准测试中也取得了最好的分数。
  2. 国内大模型：
    • 北京企业机构：百度（文心一言）https://wenxin.baidu.com 、抖音（云雀大模型）https://www.doubao.com 、智谱 AI（GLM 大模型）https://chatglm.cn 、中科院（紫东太初大模型）https://xihe.mindspore.cn 、百川智能（百川大模型）https://www.baichuan-ai.com/
    • 上海企业机构：商汤（日日新大模型）https://www.sensetime.com/ 、MiniMax（ABAB 大模型）https://api.minimax.chat 、上海人工智能实验室（书生通用大模型）https://intern-ai.org.cn
  3. 智谱·AI 开源模型：
    • CogAgent-18B：基于 CogVLM-17B 改进的开源视觉语言模型，拥有 110 亿视觉参数和 70 亿语言参数，支持 1120*1120 分辨率的图像理解，具备 GUI 图像的 Agent 能力。
    • CogVLM-17B：强大的开源视觉语言模型，在多模态权威学术榜单上综合成绩第一，在 14 个数据集上取得了 state-of-the-art 或者第二名的成绩。
    • Visualglm-6B：开源的支持图像、中文和英文的多模态对话语言模型，语言模型基于 ChatGLM-6B，具有 62 亿参数；图像部分通过训练 BLIP2-Qformer 构建起视觉模型与语言模型的桥梁，整体模型共 78 亿参数。
    • RDM：Relay Diffusion Model，级联扩散模型，可以从任意给定分辨率的图像快速生成，而无需从白噪声生成。
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

Gemini report 中文翻译

[title]Gemini report中文翻译[heading1]5.评估[heading2]5.2多模态[heading3]5.2.1图像理解：我们评估了模型在四个不同的能力上：使用caption或问答任务（如VQAv2）进行高级对象识别；使用TextVQA和DocVQA等任务进行细粒度转录，要求模型识别low-level的细节；使用ChartQA和InfographicVQA任务要求模型理解输入布局的空间理解以及使用Ai2D、MathVista和MMMU等任务进行多模态推理。对于zero-shot QA评估，模型被指示提供与特定基准对齐的简短答案。所有数字都是通过Greedy Sampling获得的，没有使用任何外部OCR工具。我们发现Gemini Ultra在表7中的各种图像理解基准测试中都是最先进的。它在回答自然图像和扫描文档的问题，以及理解信息图表、图表和科学图解等各种任务中表现出强大的性能。与其他模型（尤其是GPT-4V）公开报告的结果相比，Gemini在zero-shot评估中表现更好。它还超过了几个专门在基准训练集上进行微调的现有模型，适用于大多数任务。Gemini模型的能力在学术基准测试中取得了显著的改进，如MathVista（+ 3.1%）或InfographicVQA（+ 5.2%）。MMMU（Yue等人，2023）是一个最近发布的评估基准，其中包含了关于图像的问题，涵盖了6个学科，每个学科中又有多个主题，需要大学水平的知识来解答这些问题。Gemini Ultra在这个基准测试中取得了最好的分数，比最先进的结果提高了5个百分点以上，并在6个学科中的5个学科中超过了以前的最佳结果（见表8），从而展示了它的多模态推理能力。

8月正式上线的国内大模型

[title]8月正式上线的国内大模型5⃣️五家北京企业机构：百度（文心一言）https://wenxin.baidu.com抖音（云雀大模型）https://www.doubao.com智谱AI（GLM大模型）https://chatglm.cn中科院（紫东太初大模型）https://xihe.mindspore.cn百川智能（百川大模型）https://www.baichuan-ai.com/3⃣️三家上海企业机构：商汤（日日新大模型）https://www.sensetime.com/MiniMax（ABAB大模型）https://api.minimax.chat上海人工智能实验室（书生通用大模型）https://intern-ai.org.cn今天这8个大模型，在聊天状态下——能生成Markdown格式的：智谱清言、商量Sensechat、MiniMax目前不能进行自然语言交流的：昇思（可以对文本进行是否由AI生成的检测，类似论文查重，准确度不错）、书生受限制使用：MiniMax（无法对生成的文本进行复制输出，且只有15元的预充值额度进行体验，完成企业认证后可以进行充值）特色功能：昇思——生图，MiniMax——语音合成阿里通义千问、360智脑、讯飞星火等均不在首批获批名单中，广东省2家和其他省市1家也将陆续开放据悉，广东地区获批公司分别为华为、腾讯，科大讯飞系其他地区获批产品

智谱·AI 开源模型列表

[title]智谱·AI开源模型列表[heading2]多模态模型��模态的模型。|模型|介绍|代码链接|模型下载|<br>|-|-|-|-|<br>|CogAgent-18B|基于CogVLM-17B改进的开源视觉语言模型。CogAgent-18B拥有110亿视觉参数和70亿语言参数，支持1120*1120分辨率的图像理解，在CogVLM功能的基础上，具备GUI图像的Agent能力。|[CogVLM & CogAgent](https://github.com/THUDM/CogVLM)|[Huggingface](https://huggingface.co/THUDM/CogVLM)|[魔搭社区](https://modelscope.cn/models/ZhipuAI/cogagent-chat/summary)|[Swanhub](https://swanhub.co/ZhipuAI/cogagent-chat-hf)|始智社区|<br>|CogVLM-17B|强大的开源视觉语言模型（VLM）。基于对视觉和语言信息之间融合的理解，CogVLM可以在不牺牲任何NLP任务性能的情况下，实现视觉语言特征的深度融合。我们训练的CogVLM-17B是目前多模态权威学术榜单上综合成绩第一的模型，在14个数据集上取得了state-of-the-art或者第二名的成绩。||[Huggingface](https://huggingface.co/THUDM/cogvlm-chat-hf)|[魔搭社区](https://modelscope.cn/models/AI-ModelScope/cogvlm-chat/summary)|<br>|Visualglm-6B|VisualGLM-6B是一个开源的，支持图像、中文和英文的多模态对话语言模型，语言模型基于[ChatGLM-6B](https://github.com/THUDM/ChatGLM-6B)，具有62亿参数；图像部分通过训练[BLIP2-Qformer](https://arxiv.org/abs/2301.12597)构建起视觉模型与语言模型的桥梁，整体模型共78亿参数。|[VisuaGLM](https://github.com/THUDM/VisualGLM-6B)|[Huggingface](https://huggingface.co/THUDM/visualglm-6b)|[魔搭社区](https://modelscope.cn/models/ZhipuAI/visualglm-6b/summary)|<br>|RDM|Relay Diffusion Model：级联扩散模型，可以从任意给定分辨率的图像快速生成，而无需从白噪声生成。|[RDM](https://github.com/THUDM/RelayDiffusion)||

其他人在问
我的app应用想要对接大语言模型，结合APP用户自身的数据，实现更精准的对话，是否有行业比较成功的案例可以借鉴
以下是一些在 APP 应用对接大语言模型方面比较成功的案例，可供您借鉴： 1. Poe： 由 Quora 开发，有 APP 版本，支持跨端使用。 集成了 Chat GPT、GPT4、Claude+、Claude、Dragonfly 等模型，同时支持用户自建 Chatbot。 不同语言模型回复效果有差异，适合需要调用多种大语言模型的用户。 Dragonfly 擅长给出较短的回答，并擅长在输入中给出示例时遵循指示。 Claude 更擅长创造性回复，配合 Poe 中的提问引导，非常适合在查阅资料时使用。 支持分享用户和模型的对话内容，但 GPT4、Claude+产品需要付费订阅使用。 访问地址： Poe 中的提问引导真的能够启发到用户，midjourney prompt 扩写 Chatbot 能力很惊人。 2. Perplexity.ai： 本质是个可联网的搜索引擎，完全免费，支持网页版、APP（目前支持 iOS，安卓即将推出）、Chrome 插件。 网页版能力全面，能够根据提问从互联网上搜寻信息并给出总结后的答案。 很多 Chat GPT 中调用插件才能解决的事情（联网查询、旅行、住宿、商品推荐）靠 Perplexity 就可以解决。 能给出信息来源网址，并根据搜索内容给出继续对话的问题建议。 最新推出的 Copilot 能力支持根据搜索内容进行信息补充，每 4h 内使用 5 次，调用 GPT4。 支持分享聊天内容到多渠道。 首页推荐当下流行的新闻、搜索内容。 支持筛选 Academic（包含不同领域的学术研究论文）、Wolfram｜Alpha（包含数学、科学、经济学、语言学、工程学、社会科学、文化等领域的知识库）、Wikipedia（维基百科）、Youtube、Reddit（娱乐、社交和新闻网站）、News 进行搜索。 Chrome 插件可针对当前页面给出即时摘要。 访问地址：
2024-10-18
大模型合规
大模型的安全问题包括以下方面： 1. 对齐保障：通过对齐（指令调优），如 ChatGPT 从 GPT3 经过对齐而来，使其更好地理解人类意图，增加安全保障，确保不输出有害内容。对齐任务可拆解为监督微调及获取奖励模型和进行强化学习来调整输出分布。例如 LLAMA2 使用安全有监督微调确保安全，强化学习能让模型根据人类反馈更细粒度思考答案的安全性，面对训练分布外数据也能拒绝不当回答。 2. 数据过滤：在预训练阶段对数据进行过滤，如 baichuan2 采用此技术减少有害输出，但因数据关联性，仅靠此方法可能不够，模型仍可能从关联中学到有害内容，且面对不良信息时可能因缺少知识而处理不当。 3. 越狱问题：用户可能通过越狱（Jailbreak）使模型的对齐失效，重新回答各种问题。 大模型的特点包括： 1. 架构：分为 encoderonly、encoderdecoder、decoderonly 三类，目前熟知的 AI 助手多为 decoderonly 架构，由 transformer 衍生而来。 2. 规模：预训练数据量大，来自互联网的多种来源，且参数众多，如 GPT3 已达 170B 的参数。 GPT3 与 ChatGPT 相比，除形式不同外，安全性也有差别。
2024-10-18
大模型安全相关资料
以下是关于大模型安全的相关资料： 大模型的架构：包括 encoderonly、encoderdecoder 和 decoderonly 三种类型。其中，我们熟知的 AI 助手基本采用 decoderonly 架构，这些架构都是由谷歌 2017 年发布的“attention is all you need”论文中提出的 transformer 衍生而来。 大模型的特点：预训练数据量大，往往来自互联网上的论文、代码、公开网页等，通常用 TB 级别的数据进行预训练；参数非常多，如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。 大模型的安全性保障：通过对齐（指令调优），包括监督微调、获取 reward model 与进行强化学习来调整语言模型的输出分布，以保证语言模型不会输出有害内容和信息。例如 LLAMA2 专门使用了安全有监督微调确保安全。但 Alignment 并不足以防护所有安全问题，存在越狱（Jailbreak）现象，会使模型对齐失效。此外，还有隐私问题。 相关资源：如果想进一步了解大语言模型安全，可以访问 Github awesomellmsafety 项目：https://github.com/ydyjya/AwesomeLLMSafety
2024-10-18
目前最好用的机关公文写作大模型或智能体
目前在机关公文写作方面表现较好的大模型或智能体有： 智谱清言：由智谱 AI 和清华大学推出，基础模型为 ChatGLM 大模型。在工具使用排名国内第一，在计算、逻辑推理、传统安全能力上排名国内前三。更擅长专业能力，但在代码能力上还有优化空间，知识百科方面稍显不足。可应用场景广泛，在 AI 智能体方面相关的应用，包括任务规划、工具使用及长文本记忆相关场景表现出色，在较复杂推理应用上效果不错，也适用于广告文案、文学写作等。 此外，在大模型中，智能体是大模型的一个重要发展方向。智能体可以理解为在大模型（如 LLM）基础上增加了工具、记忆、行动、规划等能力。目前行业里主要用到的如 langchain 框架，能通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。
2024-10-18
你知道有支持个性化训练的大预言模型么
以下是一些支持个性化训练的大语言模型： 1. Character.ai：更注重人格属性，试图满足社交、情感、陪伴等需求，与 ChatGPT 侧重不同，后者注重提高效率和解放生产力。 2. Midjourney：今天发布了模型个性化 Personalization 或 'p'的早期测试版本。模型个性化会学习用户的喜好，以便更可能用用户的口味来填补空白。其要求包括目前从成对排名中的投票和喜欢的探索页面上的图像中学习，需要大约 200 个成对排名/喜欢才能生效。使用时只需在提示后输入 'p'，或使用提示栏中的设置按钮为所有提示启用个性化功能，还可以使用 's 100'控制个性化效果的强度。但需注意个性化目前不是一个稳定的功能，会随着进行更多的成对排名而变化，且可能会在接下来的几周内推出算法更新。
2024-10-18
我该如何利用文心一言、kimi等已有的大语言模型去作个性化训练？
已有的大语言模型如文心一言、kimi 等通常不支持个人进行个性化训练。 大语言模型的相关知识包括： 国内大模型有通用模型如文心一言、讯飞星火等，处理自然语言；还有垂直模型，专注特定领域。 大语言模型工作原理包括训练数据、算力、模型参数，在训练数据一致情况下，模型参数越大能力越强。 Transformer 是大语言模型训练架构，具备自我注意力机制能理解上下文和文本关联。 大模型可能因错误数据导致给出错误答案，优质数据集对其很重要。 Prompt 分为 system prompt、user prompt 和 assistant prompt，写好 prompt 的法则包括清晰说明、指定角色、使用分隔符、提供样本等。 Fine tuning 是基于通用大模型，针对特定领域任务提供数据进行学习和调整，以适应特定领域的需求。 学习大型语言模型（LLM）的开发是一个系统性的过程，需要涵盖多个方面的知识和技能： 掌握深度学习和自然语言处理基础，包括机器学习、深度学习、神经网络等基础理论，以及自然语言处理基础，如词向量、序列模型、注意力机制等。 理解 Transformer 和 BERT 等模型原理，掌握相关论文。 学习 LLM 模型训练和微调，包括大规模文本语料预处理，使用预训练框架，以及微调 LLM 模型进行特定任务迁移。 掌握 LLM 模型优化和部署，包括模型压缩、蒸馏、并行等优化技术，模型评估和可解释性，以及模型服务化、在线推理、多语言支持等。 进行 LLM 工程实践和案例学习，结合行业场景，进行个性化的 LLM 训练，分析和优化具体 LLM 工程案例，研究 LLM 新模型、新方法的最新进展。 持续跟踪前沿发展动态。 机器学习是人工智能的一个子领域，深度学习是机器学习的一个子领域，大语言模型是深度学习在自然语言处理领域的应用之一，具有生成式 AI 的特点。
2024-10-18
生成分享图片工具
以下为一些生成分享图片的工具及相关方法： 1. Midjourney V6：可用于生成场景模型。 放大工具：Comfy Ui、Magnific Ai、Upscayl 深度图：Leia Pix 法线图：Shadermap 2. 辅助工具生成透明背景图像： 安装好插件后，在生成图片时勾选“layerdiffusion enabled”。 在“layerdiffusion method”中选择生成透明图像的模式，如“Only Generate Transparent Image”。 提示中输入透明物体的描述，如“玻璃杯”，点击生成可得到透明背景的玻璃杯图像。 也可上传背景图像，在“layerdiffusion method”中选择“From Background to Blending”，然后生成透明图像。 反之，也可以先生成透明的前景，然后选择“From Foreground to Blending”模式，生成背景。 特定模型： layer_xl_transparent_attn：用于将 Stable Diffusion XL 模型转化为透明图像生成器的模型。 layer_xl_transparent_conv：与 layer_xl_transparent_attn 类似，通过修改 conv 层的 offset 实现。 layer_xl_fg2ble：用于将 XL 模型转化为前景图像到混合图像的生成模型。 layer_xl_fgble2bg：用于基于前景和混合图像生成背景的模型。 layer_xl_bg2ble：将 XL 模型转化为根据背景图像生成混合图像的模型。 layer_xl_bgble2fg：将 XL 模型转化为根据背景和混合图像生成前景的模型。 vae_transparent_encoder：图像编码器，用于从像素空间中提取潜在偏移，帮助透明图像的生成。 vae_transparent_decoder：图像解码器，输出真实的 PNG 图像。 3. Aimwise WaytoAGI 百家号文旅分享中的方法： 开启 controlnet 边缘类模型，导入需要处理的 logo，调整合适的 cn 参数。 开启 controlnet IP adapter 功能性模型，导入风格参考图，调整合适的 cn 参数，可快速进行风格迁移和融合，提升出图效率。
2024-10-18
ai现在拍摄一本书的图片能够识别到这是什么书么
目前的 AI 技术在拍摄一本书的图片并识别其是什么书方面已经取得了一定的进展。 在图像识别领域，神经网络发挥着重要作用。例如，对于识别印刷体图片，通常会先将图片转换为黑白，调整至固定尺寸，然后与数据库中的内容进行对比以得出结论。但实际情况较为复杂，存在多种字体、不同拍摄角度等多种例外情况，单纯依靠添加规则的方法不可行，而神经网络专门处理这类未知规则的情况。 不过，要准确识别一本书，还面临一些挑战，如书籍的版本、封面设计的多样性等。但随着技术的不断发展和数据的积累，未来 AI 识别一本书的准确性有望不断提高。 同时，也有一些相关的实验和研究，比如通过设计工作流让 AI 自举式地进行创造，从作家的作品中提取名场面并转译成绘画指令等。
2024-10-17
怎么用AI绘制一个我指定的动漫人物原型的各类图片，例如日漫《好想告诉你》中的黒沼爽子
要使用 AI 绘制指定的动漫人物原型，如日漫《好想告诉你》中的黑沼爽子，您可以按照以下步骤进行： 1. 选择合适的 AI 绘画工具：目前有许多在线的 AI 绘画平台和软件可供选择，例如 DALL·E2、StableDiffusion 等。 2. 明确描述特征：在输入描述时，尽可能详细地描述黑沼爽子的外貌特征，包括发型（如黑色的长直发）、眼睛（如大而明亮的眼睛）、服装（如校服的款式和颜色）、表情（如羞涩的微笑）等。 3. 参考相关图片：如果可能，找到黑沼爽子的官方图片或其他粉丝绘制的作品，作为参考提供给 AI 绘画工具，以帮助其更好地理解您的需求。 4. 不断调整和优化：根据生成的初步结果，对描述进行调整和优化，例如修改某些特征的描述、增加更多细节等，以获得更符合您期望的图片。 需要注意的是，AI 绘画的结果可能会受到多种因素的影响，不一定能完全符合您的预期，但通过不断尝试和优化，您有机会获得较为满意的作品。
2024-10-17
有可以查询图片的快速方法吗？
以下为一些快速查询图片的方法： 1. 利用 Perplexity.AI 的 Search Images 功能：点击搜索结果旁的加号，可快速浏览并选择与主题紧密相连的图片资源。在挑选图片时，要避免使用带有水印、画质不清晰或分辨率较低的图片。图片出处主要在 twitter 和官方网站。 2. 对于 Midjourney 生成的图片： 作业 ID 是其唯一标识符，格式类似于 9333dcd0681e4840a29c801e502ae424，可以在图像文件名的第一部分、网站上的 URL 和图像文件名中找到。 在网页上，可通过选择...> Copy...>作业 ID 来在作品库中查找任何图像的作业 ID。 从 URL 中，可在打开作品的网页链接末尾找到 Job ID。 从文件名中，Job ID 在文件名的最后一部分。 使用表情符号✉️可以将已完成的作业发送到私信中，私信中将包括图像的 seed 号和作业 ID，但✉️表情符号只适用于您自己的作业。 3. 如果不喜欢用模板找封面图，可根据文章内容搜索匹配的封面。比如在公众号中搜索同行的封面，直接“拿来主义”。若文章正文里没有封面图，可用壹伴浏览器插件的“查看封面”按钮（需会员），或者使用秘塔 AI 搜索工具，输入文章链接获取封面。相关在线工具链接：https://www.mgpaiban.com/tool/wxfm.html ，为方便使用可将其收藏。
2024-10-16
有相关图片识别的相关知识和工具么？
以下是关于图片识别的相关知识和工具： 知识： 图片识别中，对于印刷体图片的识别，可能先将图片变为黑白、调整为固定尺寸，再与数据库对比得出结论。但实际情况复杂，存在多种字体、拍摄角度等例外情况，传统基于规则的方法不可行。 神经网络专门处理未知规则的情况，其发展得益于生物学研究支持和数学方向的指引，能处理如手写体识别等未知情况。 图像融合是将两个或多个图像合成为一个新的图像，以获得更全面和丰富的信息，可通过像素级、特征级和决策级融合等技术实现，在多个领域有应用。 目标检测是在图像或视频中准确识别和定位特定对象，多模态信息融合可提高其性能和鲁棒性。 工具和参考文献： 推荐阅读《这就是 ChatGPT》这本书，有助于深入了解相关内容。 以下是一些相关的参考文献： VisionLanguage Models for Vision Tasks:A Survey Visual Instruction Tuning towards GeneralPurpose Multimodal Model:A Survey ViTs are Everywhere:A Comprehensive StudyShowcasing Vision Transformers in Different Domain Multimodal Foundation Models:From Specialists to GeneralPurpose Assistants VisionLanguage Pretraining:Basics,Recent Advances,and Future Trends An Image is Worth 16x16 Words:Transformers for Image Recognition at Scale COGVLM:VISUAL EXPERT FOR LARGE LANGUAGE MODELS CogAgent:A Visual Language Model for GUI Agents AppAgent:Multimodal Agents as Smartphone Users Gemini:A Family of Highly Capable Multimodal Models QwenVL:A Versatile VisionLanguage Model for Understanding,Localization,Text Reading,and Beyond arxiv:ChatVideo:A Trackletcentric Multimodal and Versatile Video Understanding System arxiv:Video Understanding with Large Language Models:A Survey arxiv:Vid2Seq:LargeScale Pretraining of a Visual Language Model for Dense Video Captioning CSDN 博客：视频理解多模态大模型（大模型基础、微调、视频理解基础） CSDN 博客：逐字稿| 9 视频理解论文串讲（下）【论文精读】_视频理解论文串讲（下） Youtube:Twostream Convolutional Networks for Action Recognition in Videos arxiv:Is SpaceTime Attention All You Need for Video Understanding? 相关算法： 图像融合的相关算法有：小波变换、基于金字塔变换的多分辨率融合、基于区域的图像融合、基于特征的图像融合等。 目标检测的相关算法有：基于深度学习的目标检测算法（如 RCNN、Fast RCNN、Faster RCNN、YOLO、SSD 等）、基于传统计算机视觉技术的目标检测算法（如 HOG、SIFT、SURF 等）。
2024-10-16
现在最新的 AI 生成图片产品有哪些
目前最新的 AI 生成图片产品主要有以下这些： 1. Artguru AI Art Generator：在线平台，能生成逼真图像，为设计师提供灵感，丰富创作过程。 2. Retrato：AI 工具，可将图片转换为非凡肖像，有 500 多种风格供选择，适合制作个性头像。 3. Stable Diffusion Reimagine：新型 AI 工具，通过稳定扩散算法生成精细、具细节的全新视觉作品。 4. Barbie Selfie Generator：专为喜欢梦幻童话风格的人设计，能将上传的照片转换为芭比风格，效果出色。 此外，还有一些用于设计海报的 AI 产品： 1. Canva（可画）：https://www.canva.cn/ ，是受欢迎的在线设计工具，提供大量模板和设计元素，AI 功能可协助选择颜色搭配和字体样式。 2. 稿定设计：https://www.gaoding.com/ ，智能设计工具采用先进人工智能技术，自动分析和生成设计方案。 3. VistaCreate：https://create.vista.com/ ，简单易用的设计平台，提供大量设计模板和元素，用户可使用 AI 工具创建个性化海报，智能建议功能可帮助快速找到合适设计元素。 4. Microsoft Designer：https://designer.microsoft.com/ ，通过简单拖放界面，可快速创建演示文稿、社交媒体帖子等视觉内容，集成丰富模板库和自动图像编辑功能。 以下是图像生成的 Top30 AI 产品数据： |排名|产品名|分类|6 月访问量（万 Visit）|相对 5 月变化| |||||| |1|Adobe firefly|图像生成|28890|0.053| |2|Freepik|图像生成|8341|0.076| |3|Shutterstock|图像生成|6389|0.068| |4|Civitai|图像生成|2592|0.046| |5|Leonardo.Ai|图像生成|1680|0.027| |6|Midjourney|图像生成|1673|0.109| |7|Yodayo|图像生成|1554|0.044| |8|Ideogram|图像生成|1140|0.081| |9|Picsart Al|图像生成|1103|0| |10|Sea Art AI|图像生成|912|0.018| |11|PixAI|图像生成|899|0.07| |12|Openart|图像生成|650|0.074| |13|NovelAI|图像生成|639|0.052| |14|Playground|图像生成|631|0.065| |15|Krea|图像生成|611|0.119| |16|nightcafe|图像生成|606|0.039| |17|Media.io|图像生成|551|0.086|
2024-10-16
如何让kimi准确理解我需要它干的事
要让 Kimi 准确理解您需要它干的事，以下是一些关键要点： 1. 提供更多关于任务和要求的详细具体上下文信息。例如，明确您的角色（如幼儿园老师、初中语文教师等）、具体任务（如设计、总结等）、要求（如用表格输出、800 字等）、说明（如给出修改的建议、更详细的描述等）。 2. 对于教学相关的任务，如让学生掌握课文重点词汇和句式、提高文言文阅读能力、了解历史和作者写作意图、理解文言文字词和语法现象、把握作者观点、涵养精神品格等，要清晰地表述这些目标和期望。 3. 把 Kimi 想象成您的助理/伙伴/下属，以更明确地传达任务和要求。 4. 对于回答的形式和流程，如用户输入、AI 输出、排版等，也需要给出明确指示。 5. 当作为微信群里的教师回答学生提问时，要准确回答有信心的内容，对于条件不充分的提问可要求提供更多信息，回答尽量通俗易懂，可使用合适隐喻方便零基础学生理解。
2024-10-16
我想找一些具有「图片理解」能力的模型
以下是一些具有“图片理解”能力的模型： 1. Gemini 模型：Gemini Ultra 在各种图像理解基准测试中表现出色，如在表 7 中的各项测试中是最先进的。它在回答自然图像和扫描文档的问题，以及理解信息图表、图表和科学图解等各种任务中性能强大。在 zeroshot 评估中表现优于其他模型，还超过了几个在基准训练集上微调的现有模型。在 MMMU 评估基准测试中也取得了最好的分数。 2. 李飞飞团队开发的计算机视觉模型：能够在看到图片的第一时间生成类似人类语言的句子，但仍存在需要改进和学习的地方。 3. GPT4V 模型：图像理解由多模态 GPT3.5 和 GPT4 提供支持，能够将语言推理技能应用于各种图像，例如照片、屏幕截图以及包含文本和图像的文档。
2024-10-16
哪个国产ai对英文的理解最正确
目前国产 AI 中，在对英文的理解方面，以下两款产品具有一定特点： 1. 通义万相：在中文理解和处理方面表现出色，是阿里生态系统的一部分，可与其他产品和服务无缝整合。但在处理非中文语言或国际化内容方面可能不如一些国际 AI 图像生成工具出色，由于模型训练数据可能主要基于中文环境，在处理多元文化内容时可能存在偏差。 2. Kimi 智能助手：是 ChatGPT 的国产平替，不用科学上网、不用付费、支持实时联网，是国内最早支持 20 万字无损上下文的 AI，也是目前对长文理解做的最好的 AI 产品，能一次搜索几十个数据来源，无广告，能定向指定搜索源。
2024-09-16
英语理解哪个ai最好
以下是一些用于英语理解的优秀 AI 工具： 1. 语法纠错和写作辅助：Grammarly 可以帮助改进英语表达和写作能力。 2. 语音识别和发音练习：Call Annie 可用于口语练习和发音纠正，提供实时反馈和建议。 3. 自适应学习平台：Duolingo 利用 AI 技术为您量身定制学习计划，提供个性化的英语学习内容和练习。 4. 智能导师和对话机器人：ChatGPT 可进行英语会话练习和对话模拟，提高交流能力和语感。
2024-09-16
神经网络的简单理解
神经网络是一种模仿生物神经网络结构和功能的数学模型或计算模型，用于分析图像、视频、音频和文本等复杂数据类型。 对于不同类型的数据有专门优化的神经网络，如分析图像时常用卷积神经网络，其模仿人脑处理视觉信息的方式。 在 2017 年推出 Transformer 之前，理解文本常用循环神经网络。而 Transformer 完全基于自注意力机制处理序列数据，比 RNN 更适合处理文本的长距离依赖性，在处理每个词时会注意输入序列里所有其他的词，并给予不同的注意力权重以捕获依赖关系和相关性，且具有自注意力机制和位置编码（因语言顺序很重要）。 神经网络由大量人工神经元联结进行计算，大多数情况下能在外界信息基础上改变内部结构，是一种自适应系统，具备学习功能。它是一种非线性统计性数据建模工具，通常通过基于数学统计学类型的学习方法得以优化，也是数学统计学方法的实际应用，能通过统计学方法让人 工神经网络具有类似人的简单决定和判断能力，这种方法比正式的逻辑学推理演算更具优势。 神经网络可用于监督学习、无监督学习、强化学习。
2024-09-06
有哪些视频、音频、图片理解的大模型？开源的有没有
以下是一些视频、音频、图片理解的大模型： 视频生成音效模型已开源。 Sheet Music Transformer：超越单音转录的端到端光学音乐识别。 AnyGPT：具有离散序列建模的统一多模态大型语言模型。 腾讯与新加坡国立大学发布 M2UGen。 此外，在多模态成为大模型标配的趋势下，以下大模型在视频和图片理解方面表现出色： OpenAI 的产品在从语言处理到图片、视频、声音的理解方面有不断发展，如 Sora 工具，其背后体现了 OpenAI 对视频的阅读、解读和分析能力的提升。 Meta 发布的 VJEPA 是基于世界模型打造的多模态模型。 Google 的 Gemini 号称具有强大的对视频和图片的深入解读能力。 Stable Diffusion 发布的最新版本也具有强大的对视频和图片的理解能力。
2024-08-30
国内可直接编辑或创建图像文件的最好用AI有哪些？
以下是一些国内可直接编辑或创建图像文件且好用的 AI 工具： 1. 无界 AI：可用于快速制作海报底图，并完成主题海报排版。操作流程包括确定主题与文案、选择风格与布局、生成与筛选、配文与排版。 2. Artguru AI Art Generator：在线平台，能生成逼真图像，为设计师提供灵感，丰富创作过程。 3. Retrato：将图片转换为非凡肖像，有 500 多种风格选择，适合制作个性头像。 4. Stable Diffusion Reimagine：通过稳定扩散算法生成精细、具有细节的全新视觉作品。 5. Barbie Selfie Generator：专为喜欢梦幻童话风格的人设计，可将上传的照片转换为芭比风格。 6. 可灵：由快手团队开发，用于生成高质量的图像和视频，但价格相对较高。 7. 通义万相：在中文理解和处理方面表现出色，用户可选择多种艺术和图像风格，生成图像质量较高，操作界面简洁直观，用户友好度高，且目前免费，每天签到获取灵感值即可。但存在一定局限性，如某些类型的图像因国内监管要求无法生成，处理非中文语言或国际化内容可能不够出色，处理多元文化内容时可能存在偏差。
2024-10-15
学习AGI最好的路线是啥？我想有规划的来进行学习
以下是为您规划的学习 AGI 的一些建议： 首先，对 AI 有一个初步的认识，了解其基本概念和常见工具，例如通过注册尝试各种 AI 工具，但要注意可能会走弯路。 可以参考目录索引推荐，找到适合自己的学习主线和支线，就像游戏通关一样逐步深入。 明确自己的兴趣点，因为兴趣是最好的老师，能让您更有动力坚持学习。 掌握一些方法，如万能公式法，问 AI 【一个（xxx 职业）需要具备哪些知识？】，获取知识框架并深入探究每个小点。 寻找优质的信息源，像即刻 App 的“”等免费圈子，以及 Twitter 和相关官网。 在学习过程中，要注意做减法，例如只掌握最好的产品，解决具体问题，关注核心能力，理清需求和逻辑，先提升认知和洞察。 学以致用，通过学习、分享和实践不断填补知识的缝隙，成长进步。 需要注意的是，每个人的学习情况不同，找到适合自己的学习路径最为重要。
2024-10-15
全球最好的通用AI大模型是哪一个？
目前全球范围内，在通用 AI 大模型方面，OpenAI 研发的 ChatGPT 具有显著的影响力和优势。 ChatGPT 的出现标志着通用 AI 的起点和强 AI 的拐点，是 AI 领域科技创新和成果应用的重大突破。它引发了全球范围内的广泛关注，众多科技大厂、创业公司和机构纷纷参与到 AI 大模型的竞争中。 不过，国内的通义千问系列模型，如 Qwen 也表现出色。Qwen 是国内唯一出现在 OpenAI 视野里、可以参与国际竞争的国产大模型，在一些榜单中多次上榜，其开源模型的累计下载量突破了 1600 万，受到国内外开发者的欢迎。 需要注意的是，对于“全球最好的通用 AI 大模型”的评判标准并非绝对，还会受到不同应用场景和需求的影响。
2024-10-14
国内最好的音乐AI
以下是一些国内的音乐 AI 相关的初创公司： 音乐分析/推荐： ：人工智能驱动的音乐相似性搜索和自动标记，适合以音乐发现为业务的人。 ：用于音频和声音目录的直观音频搜索引擎。 ：发现将音乐从歌曲和播放列表的束缚中解放出来的艺术家。 ：每次播放公平报酬。 （被 SoundCloud 收购）：使用人工智能帮助自动化工作流程。 （被 Spotify 收购）：构建人工智能驱动的音乐应用程序。 ：用于音乐标记和相似性搜索的人工智能。 ：基于歌词的音乐发现、推荐和搜索的算法和工具。 ：人工智能驱动的引擎可帮助找到正确的配乐。 ：音乐识别和版权合规性，音频指纹、大规模翻唱识别。 ：AI 音乐分析，包括歌词摘要、主题提取和音乐特征。 音乐源分离： ：免费的 DAW，提供高质量的人声、鼓点、旋律、贝斯分离、全能音频分离、编辑和人声/乐器转 MIDI 功能。 ：AI 音频处理。 ：在音乐/视频流媒体和虚拟/增强现实中重新定义音频体验。 ：为音乐行业提供按需创建音轨的平台。 ：为娱乐行业提供音频分离解决方案，释放经典内容的全部潜力。 ：在几秒钟内将任何歌曲的人声和音乐分离。 ：基于世界排名第一的 AI 技术的高质量音轨分离。 ：使用强大的 AI 算法免费将歌曲中的人声与音乐分离。 ：使用 HiFi AI 分离歌曲中的人声、鼓点、贝斯和其他乐器。 ：为 DJ 歌手提供的在线 AI 人声移除器。 ：人声移除和在线卡拉 OK。 ：使用多种不同算法（Demucs、MDX、UVR 等）免费分离歌曲。 ：从歌曲中移除人声并分离鼓点、贝斯和其他乐器。 音乐创作与制作： ：数字宇宙的音乐解决方案，Soundtracks、AI Studio、Music Maker JAM 的制作者。 ：AI 音乐创作和制作。 ：自由定制高质量免版权费音乐。 ：云平台，让音乐人和粉丝在全球范围内创作音乐、协作和互动。 ：使用嵌入式软件、信号处理和 AI 帮助艺术家录制、混音和母带处理现场表演。 ：开源音乐生成工具。 ：旨在通过 AI 赋能真实艺术家的伦理音频 AI 插件、工具和社区。 ：使用 AI 创作音乐和语音。 ：与 DAW 集成的生成音乐工具，100%免版权费。 ：为创意媒体提供的伦理音乐 AI。 ：AI 音乐创作平台和个人音乐制作人。 ：通过音乐赋予新的创作和表达方式。 ：使用 AI 改变歌唱声音。 ：为创造力和生产力提供 AI 音乐。 ：使用 AI 生成声音、音效、音乐、样本、氛围等。
2024-10-13
图片生成最好用的AI前10排名
以下是根据提供的数据为您整理的图像生成较好用的 AI 排名（排名可能会因时间和数据变化而有所不同）： 4 月： 1. Adobe firefly 2. Freepik 3. Civitai 4. Midjourney 5. Yodayo 6. Picsart Al 7. Sea Art AI 8. Playground 9. PixAI 10. Ideogram 6 月： 1. Adobe firefly 2. Freepik 3. Shutterstock 4. Civitai 5. Leonardo.Ai 6. Midjourney 7. Yodayo 8. Ideogram 9. Picsart Al 10. Sea Art AI 需要注意的是，这些数据仅供参考，实际的使用效果和排名可能会因个人需求和体验而有所差异。
2024-10-13