Google推出开源视觉语言模型：PaliGemma
支持图像视频等多种视觉语言任务
包括支持图像和短视频字幕、视觉问答、图像文本理解、物体检测文件图表解读、图像分割等任务。
PaliGemma 模型包含 30 亿（3B）个参数，结合了 SigLiP 视觉编码器和 Gemma 语言模型。
一款可以将文本转换为知识图谱的工具：Prettygraph
Prettygraph 是一个基于 Python 的 Web 应用程序，由 @yoheinakajima 开发，用于演示文本到知识图生成的
新 UI 模式。该项目是一个快速破解项目，并不是要成为一个强大的框架，而是一个简单的 UI 想法，用于在生成知识图时动态突出显示文本输入。
新的 SDXL Controlnet 线条模型 MistoLine
能够应对各种类型的线条艺术作品，无论是手绘草图、不同的 ControlNet 线预处理工具，还是由模型生成的轮廓，都能高精确性和稳定地处理。
一个重要特点是其泛化能力极强，无需针对不同的线预处理工具更换不同的 ControlNet 模型。
DeepFacelive：可以在直播过程和视频通话时进行实时换脸的工具
DeepFaceLive 建立在 DeepFaceLab 的基础上，后者为当前领先的面部交换框架，能够产生接近电影质量的面部合成效果，提供高保真的视觉体验。
GPT-4 能比你更好地教机器人手做转笔技巧吗？
Eureka 弥合了高级推理（编码）和低级运动控制之间的差距。它是一种“混合梯度架构”：一个黑盒，仅推理 LLM 指示一个白盒，可学习的神经网络。外循环运行 GPT-4 来细化奖励函数（无梯度），而内循环运行强化学习来训练机器人控制器（基于梯度）。
StoryDiffusion 这个字节的新项目表现很好
能够生成细节丰富、内容多样的图像和视频，同时保持角色身份和服饰的一致性。
可以帮助生成长篇漫画或者带连续剧情的视频。
与IP-Adapter和PhotoMaker等方法相比，StoryDiffusion在保持角色一致性的同时，还能更好地控制文本提示，生成与描述更匹配的图像和视频。
Supertone Shift：实时语音变换器
可以将你直播说话时候的声音变声其他各种角色和性别的声音。
还能调整音调、音调动态和混响等参数，塑造个性化的声音。
也可以将你声音与任何角色的声音以任意比例混合，创造出新的声音 。
LGM：生成高质量3D模型
支持文字生成模型、图片生成模型，分辨率512×512，5秒内即可生成。
3D内容创作在质量和速度方面都取得了显着进步。尽管当前的前馈模型可以在几秒钟内生成 3D 对象，但其分辨率受到训练期间所需的密集计算的限制。在本文中，介绍了大型多视图高斯模型 (LGM)，这是一种新颖的框架，旨在从文本提示或单视图图像生成高分辨率 3D 模型。
自动将你的网页内容转换为播客
Audio Native 是一个嵌入式音频播放器，可以自动为网页内容生成语音
只需插入一段简短的代码，即可插入到任何网页和内容中，自动为内容生成语音旁白。
您现在正在阅读的这一行的上方有一个播放按钮。按播放键，您可以收听由 ElevenLabs 语音自动生成的这篇文章的旁白。我们将这种嵌入式语音播放器称为“Audio Native”。
Apple 宣佈將推出全新輔助使用功能
包括「眼動追蹤」、「音樂觸覺」和「聲音捷徑」
Apple 今日宣佈將於今年稍晚推出全新輔助使用功能，包括「眼動追蹤」，一種讓身體障礙使用者只用眼睛即可控制 iPad 和 iPhone 的方式。此外，「音樂觸覺」將為聾人與聽力障礙使用者提供一種用 iPhone 觸感引擎體驗音樂的新方式；「聲音捷徑」將讓使用者能藉由發出自訂聲音來執行任務；「車輛移動提
关注 Copilot + PC
Copilot+ PC 是迄今为止最快、最智能的 Windows PC。凭借强大的新型芯片，能够实现令人难以置信的 40+ TOPS（每秒万亿次操作）、全天的电池寿命以及对最先进人工智能模型的访问，Copilot+ PC 将使您能够完成任何其他 PC 上无法完成的事情。通过 Recall 轻松查找并记住您在 PC 中看到的内容，使用 Cocreator 直接在设备上近乎实时地生成和优化 AI 图像，并通过实时字幕消除语言障碍，将 40 多种语言的音频翻译成英语。
装备了AI瞄准步枪的机器狗
配备人工智能瞄准步枪的机器狗接受美国海军陆战队特种部队评估
正在接受审查的四足动物具有自动瞄准系统，但需要人工监督才能开火。
据战区报道，美国海军陆战队特种作战司令部 (MARSOC) 目前正在评估 Ghost Robotics 开发的新一代机器人“狗”，该机器人“狗”有可能配备国防科技公司 Onyx Industries 的枪支系统。