微软发布OmniParser V2 将任何大语言模型转变为一个可以与计算机交互的智能代理
微软发布其基于纯视觉的 GUI 代理的屏幕解析工具 OmniParser 的更新，V2版本， OmniParser 旨在使任何大语言模型（LLM）能够作为 计算机使用代理，进行 图形用户界面（GUI）自动化。 也就是帮助计算机理解和自动执行图形界面操作的工具，它可以让大型语言模型（如 GPT）识
Posts
Data Formulator ：微软研究院推出基于人工智能的数据可视化工具 AI 自动帮你处理数据并生成图表
Data Formulator 是微软研究院推出的一个基于人工智能的数据可视化工具，旨在通过结合用户界面的交互和自然语言输入，帮助分析师高效地创建复杂的数据可视化图表。 与大多数基于聊天的AI工具不同，如果你经常需要整理数据、转换数据格式、清理数据中的错误信息，那这个工具就能大幅度提升你的工作效
Zonos：一个 高质量、实时的文本转语音 (TTS) 开源模型，支持高保真语音克隆 媲美ElevenLabs
Zyphra 团队发布 Zonos v0.1 的 beta 。这是一个 高质量、实时的文本转语音 (TTS) 开源AI 模型，支持 高保真语音克隆。 这个版本引入了两种具有高保真语音克隆的实时文本到语音 (TTS) 模型：一个是 1.6B 参数的 transformer 模型，另一个是 1.6B
字节跳动发布新的视频生成基础模型Goku 可直接生成数字人
Goku 是一种 流式（Flow-Based）视频生成基础模型（Video Generative Foundation Model），由 香港大学（HKU）和字节跳动（ByteDance） 共同开发。 它的核心功能是通过 文本输入（Text）转换为高质量视频（Video），适用于电影、广告、动画
Deepseek官方推荐 Awesome 开源项目汇总 将 DeepSeek 大模型能力轻松接入各类软件
Deepseek官方 GitHub 仓库 收集并整理了 DeepSeek AI 在各种应用和平台上的开源集成方案，提供了一系列可以直接使用或集成 DeepSeek AI API 的工具、插件和软件。 帮助你将 DeepSeek 大模型能力轻松接入各类软件。访问 DeepSeek 开放平台来获取您
STAR：首个结合文本到视频（T2V）扩散模型的时空增强视频超分辨率模型 超越现有 SOTA 方法
视频超分辨率 (Video Super-Resolution, VSR) 是将低分辨率 (LR) 视频转换为高分辨率 (HR) 视频，同时保持清晰的细节和时间一致性。 这对于视频修复、高清流媒体、安防监控、医学影像等领域至关重要。 ❌ 传统方法的问题 现有的 VSR 方法通常使用：
MedRAX：一款开创性的医学推理代理，专门用于胸部 X 光片解读 整合了多个专门医学影像 AI 模型
胸部X光（CXR）是医学影像诊断中的核心工具，每年全球执行超过 42 亿次 影像检查。然而，由于对关键解剖结构的系统性评估耗时，放射科医生的工作负担较重。尽管近年来 AI 技术 在 CXR 影像分类、分割和自动报告生成等任务上取得了进展，但这些 AI 模型通常是 孤立工作的，难以无缝集成到实际的临床
Hibiki ：一个实时语音翻译系统 无需等到你说完整句话 边说话的同时边翻译 还能保留原说话人的音色
Hibiki 是一个实时语音翻译系统，可以在你说话的同时，立刻把语音翻译成另一种语言，并用自然的语音播放出来，不需要等到你说完整句话。 与传统的离线翻译不同，Hibiki 可以实时逐步生成目标语言的语音，而无需等待源语言句子完全结束，支持**语音传输（voice transfer）**及文本翻译
ASAP：帮助机器人在模拟环境中学会动作后，能够准确地在真实世界中执行这些动作
ASAP（Aligning Simulation and Real-World Physics）是由NVIDIA 和卡内基梅隆大学推出的一个专为人形机器人设计的框架，旨在解决仿真和真实物理之间的动态不匹配问题。 该框架通过一个两阶段的过程，使得机器人可以在仿真环境中预先训练，之后将这些训练过的策
Llasa TTS： 基于Llama 3.2 的超真实语音克隆模型 支持中英文
Llasa TTS：是由香港科技大学开发的一个文本到语音（TTS）系统，基于 LLaMA 语言模型（ 1B、3B 和 8B 参数规模），通过整合 XCodec2 的语音 token 提供语音生成功能。 模型训练使用了 250,000 小时的中英双语语音数据，可实现以下两种语音生成模式： 1.