最近的视觉-语言-动作 (VLA) 模型依赖于 2D 输入，缺乏与更广泛的 3D 物理世界领域的集成。此外，他们通过学习直接映射来执行动作预测
作者： Tarogo Cloud
Google也弄了一个：一张照片+音频即可生成会说话唱歌的视频的项目
Google也弄了一个：一张照片+音频即可生成会说话唱歌的视频的项目 VLOGGER：基于文本和音频驱动，从单张照片生成会说话的人类视频
Claude 3 Haiku API发布
速度最快最有性价比的型号 每百万输入token0.25美元，每百万输出token1.25美元。
Musepro这个iPad应用看起来是真的可用
与其他画笔快速生成图片的尴尬应用不同，Musepro这个iPad 应用看起来是真的可用。借助 iPad 搭配的 Apple Pencil以及内置的丰富笔刷，应该可以极大的提高画图效率。
DexCap开源版经济版的Optimus
成本大约 $3,600，可以用来记录真人手指的动作来训练机器人进行灵活的操作。 并且不是遥控操作，它有一对特制的手套，通过各种传感器捕捉手部运动的精确数据。与传统基于视觉的运动捕捉技术相比，这些手套不会因为视线遮挡而失效，更适合在日常活动中使用。
LaVague一个开源的浏览器自动化操作Agents
通过提供一个将自然语言查询转化为 Selenium 代码的引擎，LaVague 可让用户或其他人工智能轻松实现自动化，轻松表达网络工作流程并在浏览器上执行。
H2O：将人类动作实时转换为机器人动作，实时全身遥控机器人
Human to Humanoid (H2O)由卡内基梅隆大学的研究团队开发，它允许人们通过一个简单的RGB摄像头让机器人实时模仿人的全部动作。
几个AI免费的在线课程
→ 与大学合作提供AI课程。 → 你可以获得来自知名学府的证书。 → 课程种类齐全，适合初学者到专家级学习。
Midjourney角色一致性功能发布
在你输入的指令后面加上 --cref URL，URL是你选择的角色图像的链接。 你还可以用 --cw 来调整参照的“强度”，范围从100到0。 默认的强度是100 (--cw 100)，这时会参考人物的脸部、发型和衣着。 如果设置为强度0 (--cw...
deepseek_ai 的视觉语言模型
@deepseek_ai 的视觉语言模型专为现实世界的视觉和语言理解应用程序而设计。
Optimizer AI：专门为视频自动生成音效的AI工具 可以为AI视频自动配音
能够通过文字提示创造出适用于各种场景的声音和音效 如游戏中的射击和跳跃声音、动画中的雨声环境以及视频中的地铁到站声音等。
2024年AI的顶级课程：AI生成对于每个人
谷歌推出了关于生成AI的免费学习路径。 微软：AI生成对于每个人 哈佛的CS50人工智能入门课程（使用Python）
MusicLang-基于 Llama 2 的音乐生成模型！
基于 Llama2，从头开始训练。 许可 - 开源。 优化在 CPU 上运行。 🔥 高度可控，可选择节奏、和弦进行、小节范围等等！
高质量的文本转语音库MeloTTS是开源的
多语言、多口音、CPU 实时且完全免费。 它支持英语、西班牙语、法语、中文、日语和韩语。回顾一下开源历史上导致 Linux 诞生的重要时刻
Easy ScraperChrome扩展,可抓取任何网站的内容
Easy Scraper：一个在Chrome扩展，只需点击一下即可抓取任何网站的内容 支持导出CSV或JSON格式可以直接丢到ChatGPT里面进行简单分析，也可以作为GPTs的知识库。 这个工具目前完全免费，原因是开发者将在整个三月份参加沉默冥想闭关，没有时间添加付费计划。
AI开源项目：NavAIGuide-TS
这证明了 GPT-4V 作为通用移动 AI 代理的出色程度 - 无需任何微调或基础，仅通过与启用 JSON 模式的文本模型集成即可。 建议观看此演示，了解（可能）令人惊叹的因素以及使用 NavAIGuide 在 iOS 17 上的结果， NavAIGuide 是 LLMs 的移动和 Web...