Transfusion
Transfusion是由Meta公司开发的多模态AI模型，能够同时生成文本和图像，并支持图像编辑功能。该模型通过结合语言模型的下一个token预测和扩散模型，在单一变换器架构上处理混合模态数据。Transfusion在预训练阶段利用了大量的文本和图像数据，表现出强大的扩展性和优异的性能。其主要功能包括多模态生成、混合模态序列训练、高效的注意力机制、模态特定编码、图像压缩、高质量图像生成、文本生成
模型
Flux.1 Lite
Flux.1 Lite是一款轻量级AI图像生成模型，基于Transformer架构，通过参数优化和精度保持技术，在减少内存占用的同时提升运行速度。其主要功能包括高质量图像生成、资源优化、快速部署及广泛适用性，适用于个人创作、教育、游戏开发、数字艺术以及广告营销等多个领域。
Vision Parse
Vision Parse 是一款开源工具，旨在通过视觉语言模型将 PDF 文件转换为 Markdown 格式。它具备智能识别和提取 PDF 内容的能力，包括文本和表格，并能保持原有格式与结构。此外，Vision Parse 支持多种视觉语言模型，确保解析的高精度与高速度。其应用场景广泛，涵盖学术研究、法律文件处理、技术支持文档以及电子书制作等领域。
码多多ChatWork知识库系统
码多多ChatWork智能知识库，可以进行AI对话、AI应用，拥有强大的第三方对接能力。适用企业智能客服、企业智能文档、专家顾问助理等多种企业级商业场景，具有较大的商业使用价值。
AnimateDiff
AnimateDiff是一款由上海人工智能实验室、香港中文大学和斯坦福大学的研究人员共同开发的框架，旨在将文本到图像模型扩展为动画生成器。该框架利用大规模视频数据集中的运动先验知识，允许用户通过文本描述生成动画序列，无需进行特定的模型调优。AnimateDiff支持多种领域的个性化模型，包括动漫、2D卡通、3D动画和现实摄影等，并且易于与现有模型集成，降低使用门槛。
TryOnDiffusion
TryOnDiffusion就谷歌推出的一项新虚拟试穿功能，能够实现高度逼真的虚拟试穿，用户能够直观地看到不同体型的人穿着不同尺寸的衣服效果如何。
Takin AudioLLM
Takin AudioLLM是一套由喜马拉雅Everest团队研发的语音生成模型，包含文本转语音（Takin TTS）、音色转换（Takin VC）及声音风格变换（Takin Morphing）。它采用最新大型语言模型技术，可生成接近真人的高质量语音，并支持个性化定制与零样本学习。该工具广泛应用于有声书制作、虚拟助手、电影配音等领域，具有音色精准、风格多样等特点。
