来自微软亚洲研究院、中国科学技术大学、香港中文大学（深圳）、浙江大学、东京大学、北京大学的研究人员推出文本到语音（TTS）合成系统NaturalSpeech 3。这个系统的目标是生成自然、高质量且具有零样本（zero-shot）能力的语音。所谓零样本能力，意味着即使在没有特定说话人的训练数据的情况下，系统也能够模仿他们... 阅读全文

特拉维夫大学、Adobe 研究中心、加拿大蒙特利尔大学的研究人员推出新型3D建模工具MagicClay，它结合了神经场（Neural Fields）和三角网格（Meshes）的混合表示方法，允许用户通过文本提示来雕塑和编辑3D模型。这种方法旨在解决现有3D生成技术在艺术创作中的局限性，特别是在需要精细控制和逐步迭代的场... 阅读全文

斯坦福大学和谷歌的研究人员推出RT-Sketch系统，它是一个目标条件化的模仿学习（Imitation Learning, IL）策略，用于机器人操控任务。RT-Sketch的核心特点是它能够理解用户手绘的草图，并根据这些草图来执行动作。这种方法旨在解决自然语言指令可能存在的歧义性以及图像可能过于具体的问题。 项目主页... 阅读全文

来自华盛顿大学和谷歌的研究人员推出Modeling Collaborator框架，它是一个创新的工具，旨在帮助人们以最小的努力训练视觉模型来识别复杂或主观的视觉概念。在日常生活中，我们经常需要计算机视觉系统来识别图片中的内容，比如区分美食、艺术品或者判断某个场景是否安全。但是，传统的训练方法需要大量的手动标注工作，这既... 阅读全文

加州大学伯克利分校的研究人员发布论文，该主题是关于如何训练一个由两个多指机器人手组成的系统，使其能够旋转（拧开）各种类似瓶子物体的盖子。这个研究项目使用了深度强化学习（Deep Reinforcement Learning, DRL）技术，首先在模拟环境中训练控制策略，然后将这个策略零次转移（zero-shot tra... 阅读全文

来自复旦大学和腾讯的研究人员推出MovieLLM框架，它旨在通过GPT-4生成的电影相关的合成数据（包括剧本、关键帧图像等）来训练多模态大型语言模型。这些模型经过训练后，能够更好地理解和处理长视频内容。简单来说，MovieLLM创建了一种模拟电影内容的数据集，这些数据集被用来训练AI模型，使其能够更好地理解和回答关于长... 阅读全文

Anthropic在今天发布了其创新的Claude 3系列大语言模型（LLM），为各种认知任务设定了新的性能标准。该系列包含三个子模型：Claude 3 Haiku、Claude 3 Sonnet和Claude 3 Opus，它们为用户提供了不同的智能、速度和成本选择，以满足多样化的人工智能应用需求。 卓越性能：超越G... 阅读全文

StockCake 是一个专注于提供由人工智能技术生成照片的在线图库，其独特之处在于所有收录的照片皆源于AI算法创新创造。这些图片采用公众领域授权方式发布，这意味着用户可以在个人项目或商业用途中自由使用它们，无需事先取得网站运营方的许可，同时也不必注明图片出处。 该图库内的相片质量堪比真实拍摄，通过精准的关键字搜索和标... 阅读全文

Meta推出新型自监督学习方法Image World Models（IWM），它通过学习一个世界模型来理解和预测图像的变化。想象一下，你有一个智能相机，它不仅能拍摄照片，还能理解照片中的内容，并预测如果对照片进行某些修改（比如改变亮度或对比度），照片会变成什么样子。IWM就是这样一个系统，它可以帮助计算机更好地理解和处... 阅读全文

来自蒙特利尔大学、魁北克人工智能研究所、华为诺亚方舟实验室的研究人员发布论文介绍了一种名为RESONANCE RoPE（共振旋转位置编码）的技术，它旨在改善大语言模型（LLMs）在处理长文本时的性能。在训练时，模型通常处理较短的文本序列，但在实际应用中可能需要处理更长的文本，这就是所谓的“训练短-测试长”（TSTL）场... 阅读全文

Google DeepMind发布论文介绍了一种名为AtP*（Attribution Patching*）的高效且可扩展的方法，用于定位大语言模型（LLM）中特定行为的组件。想象一下，你有一个非常复杂的机器，比如一个巨大的乐高城堡，你想知道城堡中的哪个部分（比如哪个乐高积木）对于城堡的某个特定功能（比如开门）至关重要。... 阅读全文

D-ID是一家提供AI拟真人影片产品服务和开发的公司。只需上传人物照片并输入要说的内容，AI语音机器人就能自动将其转换成音频。近日官方推出数字分身服务，这项服用与百度在过年期间推出的数字分身差不多，只是D-ID这项服务主要面向商业，你可以上传文件定制数字人的知识库，让数字人根据知识库内容来回答问题，此服务能实现只有2秒... 阅读全文