挑战：维基百科样式的文章要求深入研究和计划，包括广泛收集参考资料和精心制作大纲。现有的生成维基百科文章的工作往往绕过了这一写作前阶段。 解决方案：STORM通过模拟人类写作过程中的预写、起草和修订阶段，特别是在预写阶段，通过有效的问题提问来自动化这一过程。
分类： AI项目
MeloTTS：由MyShell AI开发的一个高质量的多语言文本到语音（TTS）库
支持英语、西班牙语、法语、中文、日语和韩语等多种语言。 速度非常快，支持中英混合的发音，能生成清晰、自然的语音输出。 即使在普通的在CPU上也能实现实时语音合成。
OpenAI有一个地方可以提前体验Sora的功能
OpenAI的技术报告里 有一个地方可以提前体验Sora的功能
感觉像是可视化的维基百科
感觉像是可视化的维基百科，就是你搜索关键词，它会搜索各种信息，然后进行快速的自我组织整理。
Move AI推出Move API
Move API提供的功能和灵活性为开发者创造了广泛的应用可能性，从增强现实（AR）应用、游戏开发到影视动画制作，都能够从中受益。通过提供易于集成的API和SDK，Move AI使得将高质量的3D运动数据集成到各种项目中变得更加简单和高效。
ChatGPT代码库进行了一些变动
与英语语言/翻译文件、图像生成样式图像、工作区设置.groups、ReadAloud / AudioPlayer等相关的一些内容发生了更改！ ChatGPT 数据分析 V2 显然使用了名为“gpt-4-ada-v2”（高级数据分析 V2）的新 GPT-4 模型。
SDXL Lightning 实时生图
边打字边生成图片，速度贼拉快
YOLOv9：实时对象检测，能够快速准确地在图像或视频中识别和定位多个对象
之前的YOLO系列模型相比，YOLOv9在不牺牲性能的前提下实现模型的轻量化，同时保持更高的准确率和效率。 这使得它可以在各种设备和环境中运行，如移动设备、嵌入式系统和边缘计算设备。 YOLOv9通过改进模型架构和训练方法，提高了对象检测的准确性和效率
StabilityAI推出图像提升增强工具：CreativeUpscaler
1、分辨率提升：将图像升级到4K分辨率，无论原始图像的大小如何。 2、细节创造：不仅放大图像，还能“幻想”出原始图像中不存在的新细节，通过结合输入图像与文本提示，创造出清晰、高质量的图像效果。...
AEA 数据集：由Meta团队开发
一个基于 Project Aria AR眼镜记录的第一人称多模态开放数据集。 它包含了143个由多个佩戴者在五个地理位置记录的日常活动序列。 这些记录包含了通过Project Aria眼镜记录的多模态传感器数据，同时还提供了机器感知数据。 包括高频全球对齐的3D轨迹、场景点云、...
YOLO-World&EfficientSAM&Stable Diffusion 能干啥？
实时检测视频中的特定对象，然后分割对象，使用自然语言来对特定的对象进行替换、修改、风格化等！ 是不是很熟悉？科幻片里面的场景就实现了！ 这意味着你可以对任意图像和视频里面的内容进行实时的替换和修改，甚至换掉视频中的某个人物。
YOLOv8：目标检测跟踪模型
YOLOv8能够在图像或视频帧中快速准确地识别和定位多个对象，还能跟踪它们的移动，并将其分类。 除了检测对象，YOLOv8还可以区分对象的确切轮廓，进行实例分割、估计人体的姿态、帮助识别和分析医学影像中的特定模式等多种计算机视觉任务。
UMI：斯坦福开发的一个机器人数据收集和策略学习框架
UMI可以将人类在复杂环境下的操作技能直接转移给机器人，无需人类编写详细的编程指令。 也就是通过人类亲自操作演示然后收集数据，直接转移到机器人身上，使得机器人能够快速学习新任务 UMI整合了精心设计的策略接口，包括推理时延匹配和相对轨迹动作表示，使得学习到的策略不受硬件限制，可跨多个机器人平台部署。
Google的一个新的视频模型：VideoPoet
它可以根据文字描述来生成视频。但它不是基于扩散模型，而本身就是个LLM，可以理解和处理多模态信息，并将它们融合到视频生成过程中。 不仅能生成视频，还能给视频加上风格化的效果，还可修复和扩展视频，甚至从视频中生成音频。 一条龙服务... 例如，VideoPoet...
Stability AI 的 Stable Video官网正式上线
支持上传图片和文字提示生成视频 从官网提供的演示视频来看，质量非常高，是Runway的强有力竞争者。 支持通过相机运动来控制视频的生成过程。
Groq 最近的硬件突破疯传
Groq（不是 Grok）使用 LPU 而不是 GPU，允许聊天机器人以几乎瞬时的响应时间运行 LLMs。 这开启了一个充满潜在人工智能和用户体验的全新世界。