AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
值得你花时间看的扩散模型教程，来自普渡大学
扩散模型（DiffusionModel）是图像生成模型的一种。有别于此前AI领域大名鼎鼎的GAN、VAE等算法，扩散模型另辟蹊径，其主要思想是一种先对图像增加噪声，再逐步去噪的过程，其中如何去噪还原图像是算法的核心部分。而它的最终算法能够从一张随机的噪声图像中生成图像。近年来，生成式AI的惊人增长为文本到图像生成、视频生成领域等许多令人兴奋的应用提供了支持。这些生成工具背后的基本原理是扩散的概念，这是一种特殊的采样机...模型 教程Qwen2.5系列模型开源，你值得拥有！！！
Ta来了，Ta来了，Ta带着7个Size的开源模型迎面走来了。是的，期待已久的Qwen2.5开源了，共有7个尺寸规模，包括：0.5B、1.5B、3B、7B、14B、32B和72B，分别有Base模型和Instruct模型。本次全是Dense模型，没有MoE模型。同时还开源了Qwen2.5Coder模型和Qwen2.5Math模型。还开了GGUF、GPTQ和AWQ3种量化模型，别问，就是服务到位，主打一个“全”。你有Llama3.1，我有Qwen2.5，请问阁下如何应对。下面从模型说明、效果说明、Qwen2.5...Qwen2.5模型开源一步步带你用LoRA微调大模型-执行篇
一、配置与安装我在尝试运行AlpacaLoRA工具给大模型做微调时，发现了准备篇中的一些方法存在问题。经过了反复摸索，有以下几点需要重新配置一下。1.由于https:huggingface.co国内无法访问，需要预先从镜像站：https:hfmirror.com下载好模型文件，而且需要重新选择baffo32decapodaresearchllama7Bhf模型进行微调，因为这是AlpacaLoRA工具的推荐模型，为了提高成功率，本次先选它。2.我们准备用huggingfacehub工具下载模型，先激...LoRA微调大模型生成式视频的下一步是什么
上个月，当OpenAI公布其新的生成式视频模型Sora时，邀请了一些电影制作人来试用。本周，该公司发布了结果：七部超现实的短片，毫无疑问地表明了生成式视频的未来即将迅速到来。首批能将文本转化为视频的模型出现在2022年末，来自Meta、谷歌和视频技术初创公司Runway等公司。这是一个很棒的技巧，但结果是颗粒状、出现故障，并且只有几秒钟长。快进18个月，Sora的高清、逼真的最佳输出令人震撼，一些激动的观察者甚至预言好莱坞...生成式视频人工智能只需一步！One-Step图像转换来了！亲测效果惊艳！
项目链接：https:github.comGaParmarimg2imgturbo文章链接：https:arxiv.orgpdf2403.12036demo链接：https:huggingface.cospacesgparmarimg2imgturbosketch（亲测惊艳）现有条件扩散模型的两个局限性：由于迭代去噪过程而导致的推理速度较慢依赖成对数据进行模型微调为了解决这些问题，本文引入了一种通用方法，通过对抗性学习目标来将单步扩散模型调整到新的任务和领域中。具体来说，将原生latentdiffusionmodel的各种...图像转换ECCV`24 | 少步比多步好？TurboEdit:少步扩散和解耦控制的实时精确图像编辑
精华论文链接：https:arxiv.orgpdf2408.08332亮点直击提出一个反演网络，该网络通过预测噪声来重建输入图像，并被训练为在前一步重建的条件下迭代地校正重建图像。对扩散蒸馏过程的一种新兴特性进行分析。方法在反演过程中只需要8次功能评估（一次性成本），每次编辑只需4次功能评估，而基于多步扩散模型的方法在反演中需要50次功能评估，每次编辑需要3050次功能评估。本文方法速度显著提升（每次编辑小于0.5秒，而不是大于3秒），...模型图像图像生成/编辑应用落地必不可少！MuLAn：首个实例级RGBA分解数据集
文章：https:arxiv.orgpdf2404.02790.pdf数据集：https:MuLAndataset.github.io文本到图像生成已经取得了令人惊讶的成果，但精确的空间可控性和prompt的保真度仍然是极具挑战性的。通常通过繁琐的prompt工程、场景布局条件或图像编辑技术来解决这一限制，这些技术通常需要手绘mask。然而，现有的工作往往难以利用场景的自然实例级组合性，因为栅格化的RGB输出图像通常是平面的。为了解决这一挑战，本文介绍了MuLAn：...数据集模型还得是抖音，字节推出竖屏视频理解数据集，入选CVPR2024
短视频在当下社交媒体逐渐成为主导的视频格式。传统视频处理技术和研究一般都专注于横屏视频的理解和解析，而竖屏视频因其拍摄手法和内容重点不同，展示出与横屏视频数据不同的特性。针对这一不同，字节跳动技术团队发布了专注于竖屏视频理解的数据集，提出了多个针对竖屏视频处理的技术点以及一个初始方案。这项研究对准确的竖屏视频理解和基础技术架构有较为重要的意义，论文已入选CVPR2024。视频demo展示、数据特性演示以及...计算机视觉 视频让哪吒用上DeepSeek，让OpenVINO加速边缘计算
原创4月17日，OpenVINO™2025.1版正式发布了。我们尝个鲜，利用OpenVINO在英特尔哪吒开发套件上部署deepseekr1distillQwen7b模型。一、在边缘终端部署本地大模型的好处边缘终端，如树莓派和英特尔哪吒开发套件，通常具有较低的功耗和成本，同时具备一定的计算能力。在这些设备上部署DeepSeekR1大模型，可以带来以下好处：1.降低云端依赖边缘终端的本地化部署减少了对云端服务的依赖，使得设备能够在离线或网络不稳定的情况下独立运...intelOpenVINO2025.1DeepSeek抛弃自回归，连接一致性Diffusion和LLM！UCSD上交新作热度紧追AF 3
DeepMind新发布的AlphaFold3是科技圈今天的绝对大热门，成为了HackerNews等许多科技媒体的头版头条。HackerNews热榜上紧随其后的则是今年2月发布的论文「一致性大语言模型」。到底是什么样的成果，竟然可以顶着AlphaFold3的热度出圈？这篇论文不仅切中了大语言模型推理速度慢的痛点，而且实现了性能大幅度提升。CLLM在多个下游任务上都取得了23倍的加速，且推理过程没有引入额外成本。在GSM8K和Spider两个任务中，相比今年1月刚...AI生成双杀痛点！布局生成图「WinWinLay」横空出世：精准定位+逼真质感，告别模糊与失真！
论文链接：https:arxiv.orgpdf2506.15563给定用户提供的边界框和主题提示，WinWinLay使用预训练的扩散模型(如SDXL)生成可控且逼真的图像,无需使用配对数据进行任何微调。亮点直击首次对现有反向引导方法进行了理论分析。基于该理论洞见，提出了面向布局生成图像（LayouttoImage）的先进方法WinWinLay，在控制精度与真实感质量上实现显著突破。提出新型非局部注意力能量函数，在保持物体自然结构的同时，使模型更严格遵循空间约...训练模型图像生成多模态大语言模型：从视觉故事到技术核心
原创 精华在人工智能的世界里，多模态大语言模型（MultimodalLargeLanguageModels，简称MLLMs）正以前所未有的速度改变着游戏规则。这些模型不仅能理解文字，还能“看懂”图片、视频，甚至“听懂”声音，仿佛拥有了人类的多种感官。从谷歌最新的Veo3生成令人惊叹的视频，到ElevenLabs创造出几乎以假乱真的AI配音，这些曾经只存在于科幻小说中的场景，如今正一步步走进现实。今天，我们就来深入探索多模态大语言模型背后的奥秘。这篇文章...多模态大语言模型多模态模型SmolVLA来袭：用“小模型”解锁高效机器人控制
精华
社区头条在当今这个科技飞速发展的时代，机器人已经逐渐走进了我们的生活。从工业生产线上的机械臂，到家庭中的扫地机器人，它们都在以各种形式为我们提供便利。然而，尽管我们在机器人控制领域取得了不少进展，但将这些技术真正应用到现实场景中，依然面临着诸多挑战。尤其是那些基于大规模视觉语言动作（VLA）模型的机器人系统，往往因为硬件和数据需求过高，而难以在普通环境中广泛部署。这些模型通常依赖于拥有数十亿参数的Transfor...小模型机器人SmolVLA模型开源长文档检索新突破！GTE-ModernColBERT-v1：语义搜索界的“长跑健将”
原创在信息爆炸的时代，我们每天都要在海量的文本中寻找自己需要的内容。无论是科研人员查找文献，还是法律工作者分析案例，亦或是普通用户咨询问题，传统的关键词搜索方法已经难以满足我们的需求。很多时候，我们输入的关键词虽然精准，但搜索结果却总是差强人意，要么不相关，要么不够全面。这背后的原因其实很简单——人类语言的复杂性远超简单的关键词匹配。语义检索：从关键词到语义理解语义检索的出现，就像是一场信息检索领...长文档检索语义检索为什么向量数据库不使用 SQL 查询？
原创多年来，我们一直通过SELECT–FROM–WHERE这种格式与数据库进行交流，从简单的报表生成到复杂的财务分析，再到用户行为的查询，SQL已经成为我们与数据库沟通的默认语言。有趣的是，即使是那些最初声称要颠覆SQL的NoSQL数据库，最终也纷纷引入了对SQL的支持。但是，仅仅因为SQL支持一直如此，就意味着它永远正确吗？据Gartner的预测，到了2026年，大多数企业将会优先考虑使用自然语言作为数据库查询的接口，SQL将从一个必备技能...智能体数据库SQL借助于 Doc2X 解决 RAG 架构设计的关键技术
原创RAG（检索增强生成）是企业AI大模型应用落地的主要应用形态之一，特别是在智能问答、报告生成、内容审核、Text2SQL、流程自动化和AI编程等领域大规模应用和落地RAG架构。图片从技术本质来分析，RAG架构设计是由两部分构成：数据工程和信息抽取。其中数据工程是最重要的部分，它的目的是把多模态的数据转化为结构化的知识。数据工程在优化RAG效果过程中至关重要，数据工程质量直接决定了最终的检索和生成效果。无论采用何种文档...Doc2XRAG大模型Cursor CEO的深度访谈：进入AI的时代，‘品味’很重要
精华"我觉得未来十年，是一个只要你有能力去动手做、去实现想法，这种能力就会被极大放大的时代。"——MichaelTruell,CursorCEO最近Cursor的CEOMichaelTruell接受YCombinator的一段长访谈，Cursor站在AI编程的最前沿，通过这次访谈带领我们更好的看清楚AI编程的视角。我们正在经历编程史上最重要的范式转换——从手工编写代码的"人工编译器"时代，跃迁到专注创意和逻辑的"设计师"时代。如果有一天你只需要描述你想要什么，电脑就能...AI编程构建我把DeepSeek微调参数扒光了，显存和性能优化的秘密都在这
精华 社区头条前言上周，团队准备用DeepSeek32B模型做微调，结果第一次训练就遇到了显存爆炸。各种OOM错误让人抓狂。经过摸索和实践，终于摸清了LLaMAFactory参数配置的门道。今天把这些经验分享出来，希望能帮大家避开我踩过的坑。LLaMAFactory参数体系全景LLaMAFactory有400+个配置参数，看起来很复杂，但其实可以分为三个层次：核心层（必须配置）：决定能否跑起来优化层（影响性能）：决定跑得好不好高级层（锦上添花）：决定跑...DeepSeek微调参数是被AI气死，还是跟它一起变强？——破局大模型时代的人机协作密码
当AI生成的报告错漏百出，当它信誓旦旦编造“事实”，当你精心设计的提示换来牛头不对马嘴的答案——你是否对着屏幕血压飙升，只想仰天长啸：“这破AI，气死我了！”且慢摔键盘！与其被AI气死，不如让它助你登顶。真正的问题不在于大模型本身有瑕疵——它们本就不是完美圣人，而在于我们是否找到了驾驭它的核心密码：人与AI的黄金分工边界，以及高效迭代的协作节奏。这不是妥协，而是智能时代全新的生存法则。一、边界之争：别...AI大模型密码Prompt 工程已过时？AI大神Andrej Karpathy力推上下文工程！
长期以来，我们谈论AI应用开发时，常常用到一个热词：“PromptEngineering”（提示词工程）。但最近，前特斯拉AI总监、OpenAI研究大神AndrejKarpathy明确提出，更准确的术语应该是：“ContextEngineering”（上下文工程）。为什么他这么说？1.PromptvsContext，到底有何区别？日常使用大模型（LLM）时，人们对Prompt的理解往往停留在简短明确的任务指令层面。然而，工业级的AI应用并非如此简单。真正的挑战在于如何精细地组织和...PromptAI上下文工程
