本项目提供100多种中文词向量(嵌入),这些词向量使用不同的表示方法(密集和稀疏)、上下文特征(词、n-gram、字符等)和语料库进行训练。用户可以轻松获取具有不同属性的预训练向量,并将其用于下游任务。
此外,我们还提供了一个中文类比推理数据集CA8和评估工具包,供用户评估其词向量的质量。
如果使用这些词嵌入和CA8数据集,请引用以下论文。
Shen Li, Zhe Zhao, Renfen Hu, Wensi Li, Tao Liu, Xiaoyong Du, <a href="http://aclweb.org/anthology/P18-2023"><em>Analogical Reasoning on Chinese Morphological and Semantic Relations</em></a>, ACL 2018.
@InProceedings{P18-2023,
author = "Li, Shen
and Zhao, Zhe
and Hu, Renfen
and Li, Wensi
and Liu, Tao
and Du, Xiaoyong",
title = "Analogical Reasoning on Chinese Morphological and Semantic Relations",
booktitle = "Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers)",
year = "2018",
publisher = "Association for Computational Linguistics",
pages = "138--143",
location = "Melbourne, Australia",
url = "http://aclweb.org/anthology/P18-2023"
}
关于中文词嵌入内在评估和外在评估之间关系的详细分析,请参见以下论文:
Yuanyuan Qiu, Hongzheng Li, Shen Li, Yingdi Jiang, Renfen Hu, Lijiao Yang. <a href="http://www.cips-cl.org/static/anthology/CCL-2018/CCL-18-086.pdf"><em>Revisiting Correlations between Intrinsic and Extrinsic Evaluations of Word Embeddings</em></a>. Chinese Computational Linguistics and Natural Language Processing Based on Naturally Annotated Big Data. Springer, Cham, 2018. 209-221. (CCL & NLP-NABD 2018 最佳论文奖)
@incollection{qiu2018revisiting,
title={Revisiting Correlations between Intrinsic and Extrinsic Evaluations of Word Embeddings},
author={Qiu, Yuanyuan and Li, Hongzheng and Li, Shen and Jiang, Yingdi and Hu, Renfen and Yang, Lijiao},
booktitle={Chinese Computational Linguistics and Natural Language Processing Based on Naturally Annotated Big Data},
pages={209--221},
year={2018},
publisher={Springer}
}
预训练的向量文件采用文本格式。每行包含一个词及其向量。每个值之间用空格分隔。第一行记录元信息:第一个数字表示文件中的词数,第二个数字表示维度大小。
除了密集词向量(使用SGNS训练)外,我们还提供稀疏向量(使用PPMI训练)。它们采用与liblinear相同的格式,其中":"前的数字表示维度索引,":"后的数字表示值。
<sup>*</sup>仅适用于SGNS。
使用不同 表示方法、上下文特征和语料库训练的中文词向量。
<table align="center"> <tr align="center"> <td colspan="5"><b>词向量 / 带负采样的跳字模型 (SGNS)</b></td> </tr> <tr align="center"> <td rowspan="2">语料库</td> <td colspan="4">上下文特征</td> </tr> <tr align="center"> <td>词</td> <td>词 + N元组</td> <td>词 + 字符</td> <td>词 + 字符 + N元组</td> </tr> <tr align="center"> <td>百度百科</td> <td><a href="https://pan.baidu.com/s/1Rn7LtTH0n7SHyHPfjRHbkg">300维</a></td> <td><a href="https://pan.baidu.com/s/1XEmP_0FkQwOjipCjI2OPEw">300维</a></td> <td><a href="https://pan.baidu.com/s/1eeCS7uD3e_qVN8rPwmXhAw">300维</a></td> <td><a href="https://pan.baidu.com/s/1IiIbQGJ_AooTj5s8aZYcvA">300维</a> / 提取码: 5555</td> </tr> <tr align="center"> <td>中文维基百科</td> <td><a href="https://pan.baidu.com/s/11hSZJN-NWBEvryIED6Donw?pwd=qfgv">300维</a></td> <td><a href="https://pan.baidu.com/s/1RWcPWQEiCrwna7xmhI8ARg?pwd=jp7e">300维</a></td> <td><a href="https://pan.baidu.com/s/1DKvgg0RgtqwyDPs1IbS0TQ?pwd=s22w">300维</a></td> <td><a href="https://pan.baidu.com/s/1OTfYo_sQamCYwJLdp3KHnw?pwd=k6p9">300维</td> </tr> <tr align="center"> <td>人民日报</td> <td><a href="https://pan.baidu.com/s/19sqMz-JAhhxh3o6ecvQxQw">300维</a></td> <td><a href="https://pan.baidu.com/s/1upPkA8KJnxTZBfjuNDtaeQ">300维</a></td> <td><a href="https://pan.baidu.com/s/1BvKk2QjbtQMch7EISppW2A">300维</a></td> <td><a href="https://pan.baidu.com/s/19Vso_k79FZb5OZCWQPAnFQ">300维</a></td> </tr> <tr align="center"> <td>搜狗新闻</td> <td><a href="https://pan.baidu.com/s/1tUghuTno5yOvOx4LXA9-wg">300维</a></td> <td><a href="https://pan.baidu.com/s/13yVrXeGYkxdGW3P6juiQmA">300维</a></td> <td><a href="https://pan.baidu.com/s/1pUqyn7mnPcUmzxT64gGpSw">300维</a></td> <td><a href="https://pan.baidu.com/s/1svFOwFBKnnlsqrF1t99Lnw">300维</a></td> </tr> <tr align="center"> <td>金融新闻</td> <td><a href="https://pan.baidu.com/s/1c8wmsqdrfUbQQ6j2Dx5NwQ?pwd=nakr">300维</a></td> <td><a href="https://pan.baidu.com/s/1EXVpN8-vMr1-f2l4kZICLg?pwd=ki7t">300维</a></td> <td><a href="https://pan.baidu.com/s/1EXVpN8-vMr1-f2l4kZICLg?pwd=ki7t">300维</a></td> <td><a href="https://pan.baidu.com/s/19JWtZL6U8P-XfE5LsTlftg?pwd=gbnb">300维</a></td> </tr> <tr align="center"> <td>知乎问答</td> <td><a href="https://pan.baidu.com/s/1VGOs0RH7DXE5vRrtw6boQA">300维</a></td> <td><a href="https://pan.baidu.com/s/1OQ6fQLCgqT43WTwh5fh_lg">300维</a></td> <td><a href="https://pan.baidu.com/s/1_xogqF9kJT6tmQHSAYrYeg">300维</a></td> <td><a href="https://pan.baidu.com/s/1Fo27Lv_0nz8FXg-xbOz14Q">300维</a></td> </tr> <tr align="center"> <td>微博</td> <td><a href="https://pan.baidu.com/s/1zbuUJEEEpZRNHxZ7Gezzmw">300维</a></td> <td><a href="https://pan.baidu.com/s/11PWBcvruXEDvKf2TiIXntg">300维</a></td> <td><a href="https://pan.baidu.com/s/10bhJpaXMCUK02nHvRAttqA">300维</a></td> <td><a href="https://pan.baidu.com/s/1FHl_bQkYucvVk-j2KG4dxA">300维</a></td> </tr> <tr align="center"> <td>文学作品</td> <td><a href="https://pan.baidu.com/s/1ciq8iXtcrHpu3ir_VhK0zg">300维</a></td> <td><a href="https://pan.baidu.com/s/1Oa4CkPd8o2xd6LEAaa4gmg">300维</a> / 提取码: z5b4</td> <td><a href="https://pan.baidu.com/s/1IG8IxNp2s7vVklz-vyZR9A">300维</a></td> <td><a href="https://pan.baidu.com/s/1SEOKrJYS14HpqIaQT462kA">300维</a> / 提取码: yenb</td> </tr> <tr align="center"> <td>四库全书<sup>*</sup></td> <td><a href="https://pan.baidu.com/s/1vPSeUsSiWYXEWAuokLR0qQ">300维</a></td> <td><a href="https://pan.baidu.com/s/1sS9E7sclvS_UZcBgHN7xLQ">300维</a></td> <td>无</td> <td>无</td> </tr> <tr align="center"> <td>综合语料<br>百度网盘 / 谷歌云盘</td> <td> <a href="https://pan.baidu.com/s/1luy-GlTdqqvJ3j-A4FcIOw">300维</a><br> <a href="https://drive.google.com/open?id=1Zh9ZCEu8_eSQ-qkYVQufQDNKPC4mtEKR">300维</a> </td> <td> <a href="https://pan.baidu.com/s/1oJol-GaRMk4-8Ejpzxo6Gw">300维</a><br> <a href="https://drive.google.com/open?id=1WUU9LnoAjs--1E_WqcghLJ-Pp8bb38oS">300维</a> </td> <td> <a href="https://pan.baidu.com/s/1DjIGENlhRbsVyHW-caRePg">300维</a><br> <a href="https://drive.google.com/open?id=1aVAK0Z2E5DkdIH6-JHbiWSL5dbAcz6c3">300维</a> </td> <td> <a href="https://pan.baidu.com/s/14JP1gD7hcmsWdSpTvA3vKA">300维</a><br> <a href="https://drive.google.com/open?id=1kSAl4_AOg3_6ayU7KRM0Nk66uGdSZdnk">300维</a> </td> </tr> </table> <table align="center"> <tr align="center"> <td colspan="5"><b>正向点互信息(PPMI)</b></td> </tr> <tr align="center"> <td rowspan="2">语料库</td> <td colspan="4">上下文特征</td> </tr> <tr align="center"> <td>词</td> <td>词 + N元组</td> <td>词 + 字符</td> <td>词 + 字符 + N元组</td> </tr> <tr align="center"> <td>百度百科</td> <td><a href="https://pan.baidu.com/s/1_itcjrQawCwcURa7WZLPOA">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1cEZzN1S2senwWSyHOnL7YQ">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1KcfFdyO0-kE9S9CwzIisfw">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1FXYM3CY161_4QMgiH8vasQ">稀疏</a></td> </tr> <tr align="center"> <td>中文维基百科</td> <td><a href="https://pan.baidu.com/s/172vD1NljxnbeubgXkuja4Q?pwd=k2hr">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1taIMttirPOw9Df51epIWBg?pwd=rmfh">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1-l9pdeUOwVzRVT4utvszfQ?pwd=ameb">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1VYI5GrKWR16gHvah38I3SQ?pwd=gzj8">稀疏</a></td> </tr> <tr align="center"> <td>人民日报</td> <td><a href="https://pan.baidu.com/s/1NLr1K7aapU2sYBvzbVny5g">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1LJl3Br0ccGDHP0XX2k3pVw">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1GQQXGMn1AHh-BlifT0JD2g">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1Xm9Ec3O3rJ6ayrwVwonC7g">稀疏</a></td> </tr> <tr align="center"> <td>搜狗新闻</td> <td><a href="https://pan.baidu.com/s/1ECA51CZLp9_JB_me7YZ9-Q">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1FO39ZYy1mStERf_b53Y_yQ">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1lLBFBk8nn3spFAvKY9IJ6A">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1f-dLQZlZo_-B5ZKcPIc6rw">稀疏</a></td> </tr> <tr align="center"> <td>金融新闻</td> <td><a href="https://pan.baidu.com/s/1yyJ7NZl-GabDJLbP-eYdCQ?pwd=9efk">稀疏</a></td> <td><a href="https://pan.baidu.com/s/17ZLOJpLXSQFxN0SZTITdIw?pwd=sjzy">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1rRGLUkA01kGceFDBOG9wlA?pwd=yve5">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1X-150CjeUPdQBq--Gr7w3A?pwd=qqc7">稀疏</a></td> </tr> <tr align="center"> <td>知乎问答</td> <td><a href="https://pan.baidu.com/s/1VaUP3YJC0IZKTbJ-1_8HZg">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1g39PKwT0kSmpneKOgXR5YQ">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1d8Bsuak0fyXxQOVUiNr-2w">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1D5fteBX0Vy4czEqpxXjlrQ">稀疏</a></td> </tr> <tr align="center"> <td>微博</td> <td><a href="https://pan.baidu.com/s/15O2EbToOzjNSkzJwAOk_Ug">稀疏</a></td> <td><a href="https://pan.baidu.com/s/11Dqywn0hfMhysto7bZS1Dw">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1wY-7mfV6nwDj_tru6W9h4Q">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1DMW-MgLApbQnWwDd-pT_qw">稀疏</a></td> </tr> <tr align="center"> <td>文学作品</td> <td><a href="https://pan.baidu.com/s/1HTHhlr8zvzhTwed7dO0sDg">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1jAuGJBxKqgapt__urGsBOQ">稀疏</a></td> <td><a href="https://pan.baidu.com/s/173AJfCoAV0ZA8Z31tKBdTA">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1dFCxke_Su3lLsuwZr7co3A">稀疏</a></td> </tr> <tr align="center"> <td>四库全书<sup>*</sup></td> <td><a href="https://pan.baidu.com/s/1NJ1Gc99oE0-GV0QxBqy-qw">稀疏</a></td> <td><a href="https://pan.baidu.com/s/1YGEgyXIbw0O4NtoM1ohjdA">稀疏</a></td> <td>无</td> <td>无</td> </tr> </tr> <tr align="center"> <td>综合</td> <td>稀疏</td> <td>稀疏</td> <td>稀疏</td> <td>稀疏</td> </tr> </table><sup>*</sup>由于古汉语中大多数汉字就是词,所以提供了字符嵌入。
我们发布了基于不同共现统计的词向量。目标向量和上下文向量在一些相关论文中也被称为输入向量和输出向量。
在这部分中,可以获得超出词的任意语言单位的向量。例如,字符向量在词-字符的上下文向量中。
所有向量都是在百度百科上使用SGNS训练的。
<table align="center"> <tr align="center"> <td><b>特征</b></td> <td><b>共现类型</b></td> <td><b>目标词向量</b></td> <td><b>上下文词向量</b></td> </tr> <tr align="center"> <td rowspan="1">词</td> <td>词 → 词</td> <td><a href="https://pan.baidu.com/s/1Rn7LtTH0n7SHyHPfjRHbkg">300维</a></td> <td><a href="https://pan.baidu.com/s/18T6DRVmS_cZu5u64EbbESQ">300维</a></td> </tr> <tr align="center"> <td rowspan="3">N元语法</td> <td>词 → N元语法 (1-2)</td> <td><a href="https://pan.baidu.com/s/1XEmP_0FkQwOjipCjI2OPEw">300维</a></td> <td><a href="https://pan.baidu.com/s/12asujjAaaqxNFYRNP-MThw">300维</a></td> </tr> <tr align="center"> <td>词 → N元语法 (1-3)</td> <td><a href="https://pan.baidu.com/s/1oUmbxsnSuXf2jU8Jxu7U8A">300维</a></td> <td><a href="https://pan.baidu.com/s/1ylg6FfFHa0kXbiVz8bIL8g">300维</a></td> </tr> <tr align="center"> <td>N元语法 (1-2) → N元语法 (1-2)</td> <td><a href="https://pan.baidu.com/s/1Za7DIGVhE6dMsTmxHb-izg">300维</a></td> <td><a href="https://pan.baidu.com/s/1oKI4Cs9eo7bg5mqfY1hdmg">300维</a></td> </tr> <tr align="center"> <td rowspan="3">字符</td> <td>词 → 字符 (1)</td> <td><a href="https://pan.baidu.com/s/1c9yiosHKNIZwRlLzD_F1ig">300维</a></td> <td><a href="https://pan.baidu.com/s/1KGZ_x8r-lq-AuElLCSVzvQ">300维</a></td> </tr> <tr align="center"> <td>词 → 字符 (1-2)</td> <td><a href="https://pan.baidu.com/s/1eeCS7uD3e_qVN8rPwmXhAw">300维</a></td> <td><a href="https://pan.baidu.com/s/1q0ItLzbn5Tfb3LhepRCeEA">300维</a></td> </tr> <tr align="center"> <td>词 → 字符 (1-4)</td> <td><a href="https://pan.baidu.com/s/1WNWAnba56Rqjmx-FAN_7_g">300维</a></td> <td><a href="https://pan.baidu.com/s/1hJKTAz6PwS7wmz9wQgmYeg">300维</a></td> </tr> <tr align="center"> <td rowspan="1">部首</td> <td>部首</td> <td>300维</td> <td>300维</td> </tr> <tr align="center"> <td rowspan="2">位置</td> <td>词 → 词(左/右)</td> <td><a href="https://pan.baidu.com/s/1JvjcrXFZPknT5H5Xw6KRVg">300维</a></td> <td><a href="https://pan.baidu.com/s/1m6K9CnIIS8FrQZdDuF6hPQ">300维</a></td> </tr> <tr align="center"> <td>词 → 词(距离)</td> <td><a href="https://pan.baidu.com/s/1c29BDu4R1hyUX-sgvlHJnA">300维</a></td> <td><a href="https://pan.baidu.com/s/1sMZHIc-7eU6gRalHwtBHZw">300维</a></td> </tr> <tr align="center"> <td>全局</td> <td>词 → 文本</td> <td>300维</td> <td>300维</td> </tr> <tr align="center"> <td rowspan="2">句法特征</td> <td>词 → 词性</td> <td>300维</td> <td>300维</td> </tr> <tr align="center"> <td>词 → 依存关系</td> <td>300维</td> <td>300维</td> </tr> </table>现有的词表示方法可以分为两类:密集和稀疏表示。SGNS模型(word2vec工具包中的一个模型)和PPMI模型分别是这两类方法的典型代表。SGNS模型通过浅层神经网络训练低维实数(密集)向量。它也被称为神经嵌入方法。PPMI模型是一种稀疏的特征袋表示,使用正向点互信息(PPMI)加权方案进行加权。
在词嵌入文献中,常用的三种上下文特征是:词、N元语法和字符。大多数词表示方法本质上利用词-词共现统计,即使用词作为上下文特征(词特征)。受语言建模问题的启发,我们将N元语法特征引入上下文。训练时同时使用词-词和词-N元语法共现统计(N元语法特征)。对于中文,汉字通常具有强烈的语义。为此,我们考虑使用词-词和词-字符共现统计来学习词向量。字符级N元语法的长度范围从1到4(字符特征)。
除了词、N元语法和字符之外,还有其他特征对词向量的属性有重要影响。例如,使用整个文本作为上下文特征可以为词向量引入更多主题信息;使用依存句法分析作为上下文特征可以为词向量添加句法约束。本项目考虑了17种共现类型。
我们付出了巨大努力,收集了跨越多个领域的语料库。所有文本数据都经过预处理,删除了html和xml标签。只保留纯文本,并使用HanLP(v_1.5.3)进行分词。此外,使用开放中文转换(OpenCC)将繁体中文字符转换为简体字符。详细的语料库信息如下:
<table align="center"> <tr align="center"> <td><b>语料库</b></td> <td><b>大小</b></td> <td><b>词数</b></td> <td><b>词汇量</b></td> <td><b>描述</b></td> </tr> <tr align="center"> <td>百度百科</td> <td>4.1G</td> <td>745M</td> <td>5422K</td> <td>来自https://baike.baidu.com/的中文百科数据</td> </tr> <tr align="center"> <td>中文维基百科</td> <td>1.3G</td> <td>223M</td> <td>2129K</td> <td>来自https://dumps.wikimedia.org/的中文维基百科数据</td> </tr> <tr align="center"> <td>人民日报</td> <td>3.9G</td> <td>668M</td> <td>1664K</td> <td>来自人民日报(1946-2017)的新闻数据<br />http://data.people.com.cn/</td> </tr> <tr align="center"> <td>搜狗新闻</td> <td>3.7G</td> <td>649M</td> <td>1226K</td> <td>搜狗实验室提供的新闻数据<br />http://www.sogou.com/labs/</td> </tr> <tr align="center"> <td>金融新闻</td> <td>6.2G</td> <td>1055M</td> <td>2785K</td> <td>从多个新闻网站收集的金融新闻</td> </tr> <tr align="center"> <td>知乎问答</td> <td>2.1G</td> <td>384M</td> <td>1117K</td> <td>来自https://www.zhihu.com/的中文问答数据</td> </tr> <tr align="center"> <td>微博</td> <td>0.73G</td> <td>136M</td> <td>850K</td> <td>NLPIR实验室提供的中文微博数据<br />http://www.nlpir.org/wordpress/download/weibo.7z</td> </tr> <tr align="center"> <td>文学作品</td> <td>0.93G</td> <td>177M</td> <td>702K</td> <td>8599部现代中文文学作品</td> </tr> <tr align="center"> <td>综合</td> <td>22.6G</td> <td>4037M</td> <td>10653K</td> <td>我们通过合并上述语料库构建了大型语料库。</td> </tr> <tr align="center"> <td>四库全书</td> <td>1.5G</td> <td>714M</td> <td>21.8K</td> <td>中国前现代最大的文献集合。</td> </tr> </table>所有词都被考虑在内,包括低频词。
所有词向量都使用ngram2vec工具包进行训练。Ngram2vec工具包是word2vec和fasttext工具包的超集,支持任意上下文特征和模型。
词向量的质量通常通过类比问题任务来评估。本项目利用两个基准测试进行评估。第一个是CA-translated,其中大多数类比问题直接从英语基准翻译而来。尽管CA-translated已在许多中文词嵌入论文中广泛使用,但它仅包含三种语义问题,涵盖134个中文词。相比之下,CA8是专门为中文语言设计的。它包含17813个类比问题,涵盖了全面的形态和语义关系。CA-translated、CA8及其详细描述可在testsets文件夹中找到。
我们在evaluation文件夹中提供了一个评估工具包。
运行以下代码来评估密集向量:
$ python ana_eval_dense.py -v <vector.txt> -a CA8/morphological.txt
$ python ana_eval_dense.py -v <vector.txt> -a CA8/semantic.txt
运行以下代码来评估稀疏向量:
$ python ana_eval_sparse.py -v <vector.txt> -a CA8/morphological.txt
$ python ana_eval_sparse.py -v <vector.txt> -a CA8/semantic.txt
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功 能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户 可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且 先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号