Logo
Project Icon

factool

增强型AI文本事实性检测框架

FacToolAI大语言模型事实检测生成式AIGithub开源项目

FacTool是一款专注于检测大型语言模型生成文本中事实性错误的增强型框架。该工具支持知识问答、代码生成、数学推理和科学文献综述四个领域的检测任务。通过识别错误并提供分析和修正建议，FacTool显著提升了AI生成内容的可靠性和准确性。这一创新工具为AI研究和开发提供了有力支持，有助于推动生成式AI技术的整体进步。

访问官网访问官网GithubGithub论文论文
介绍相关项目

FacTool: 生成式人工智能的事实性检测工具

事实性排行榜 | 安装 | 快速开始 | FacTool ChatGPT 插件 | 引用 |

本仓库包含了我们论文的源代码和插件配置。

项目网站

Factool 是一个工具增强型框架，用于检测大型语言模型(如ChatGPT)生成文本中的事实错误。 Factool 目前支持4项任务:

  • 基于知识的问答: Factool 检测基于知识的问答中的事实错误。
  • 代码生成: Factool 检测代码生成中的执行错误。
  • 数学推理: Factool 检测数学推理中的计算错误。
  • 科学文献综述: Factool 检测虚构的科学文献。

新闻

基于知识的问答演示:

替代文本

替代文本

替代文本

事实性排行榜

我们的事实性排行榜展示了由FacTool评估的不同聊天机器人的事实准确性。

大语言模型加权声明级准确率响应级准确率
GPT-475.6043.33
ChatGPT68.6336.67
Claude-v163.9526.67
Bard61.1533.33
Vicuna-13B50.3521.67

安装

  • 普通用户

pip install factool

  • 开发者

git clone git@github.com:GAIR-NLP/factool.git
cd factool
pip install -e .

快速开始

API密钥准备

  • 从这里获取你的OpenAI API密钥。这在所有场景中都需要使用(基于知识的问答、代码、数学、科学文献综述)。
  • 从这里获取你的Serper API密钥。这仅在基于知识的问答中使用。
  • 从这里获取你的Scraper API密钥。这仅在科学文献综述中使用。

通用用法

你也可以直接参考./example/example.py和example_inputs.jsonl了解通用用法。

通用用法(点击展开内容) 
export OPENAI_API_KEY=... # 所有任务都需要
export SERPER_API_KEY=... # 仅基于知识的问答需要
export SCRAPER_API_KEY=... # 仅科学文献综述需要

# 初始化输入列表。"entry_point"仅在任务为"代码生成"时需要
# 请参考example_inputs.jsonl获取每个类别的示例输入
inputs = [
            {"prompt": "<提示1>", "response": "<回答1>", "category": "<类别1>", "entry_point": "<入口点1>"},
            {"prompt": "<提示2>", "response": "<回答2>", "category": "<类别2>", "entry_point": "<入口点2>"},
          ...
        ]

其中

  • prompt: 用于生成回答的提示。
  • response: 模型生成的回答。
  • category: 任务类别。可以是:
    • kbqa
    • code
    • math
    • scientific
  • entry_point: 回答中需要进行事实检查的代码片段的函数名。如果任务类别不是code，可以为"null"。
from factool import Factool

# 使用指定的密钥初始化Factool实例。foundation_model可以是"gpt-3.5-turbo"或"gpt-4"
factool_instance = Factool("gpt-4")

inputs = [
            {
                "prompt": "介绍Graham Neubig",
                "response": "Graham Neubig是MIT的教授",
                "category": "kbqa"
            },
            ...
]
response_list = factool_instance.run(inputs)

print(response_list)

基于知识的问答

Factool在基于知识的问答中的详细用法(点击展开内容) 
export OPENAI_API_KEY=...
export SERPER_API_KEY=...

from factool import Factool

# 使用指定的密钥初始化Factool实例。foundation_model可以是"gpt-3.5-turbo"或"gpt-4"
factool_instance = Factool("gpt-4")

inputs = [
            {
                "prompt": "介绍Graham Neubig",
                "response": "Graham Neubig是MIT的教授",
                "category": "kbqa"
            },
]
response_list = factool_instance.run(inputs)

print(response_list)

response_list应遵循以下格式: response_list 应遵循以下格式：

{
  "average_claim_level_factuality": avg_claim_level_factuality
  "average_response_level_factuality": avg_response_level_factuality
  "detailed_information": [
    {
      'prompt': prompt_1, 
      'response': response_1, 
      'category': 'code', 
      'claims': [claim_11, claim_12, ..., claims_1n], 
      'queries': [[query_111, query_112], [query_121, query_122], ..[query_1n1, query_1n2]], 
      'evidences': [[evidences_with_source_11], [evidences_with_source_12], ..., [evidences_with_source_1n]], 
      'claim_level_factuality': [{claim_11, reasoning_11, error_11, correction_11, factuality_11}, {claim_12, reasoning_12, error_12, correction_12, factuality_12}, ..., {claim_1n, reasoning_1n, error_1n, correction_1n, factuality_1n}], 
      'response_level_factuality': factuality_1
    },
    {
      'prompt': prompt_2, 
      'response': response_2, 
      'category': 'code',
      'claims': [claim_21, claim_22, ..., claims_2n], 
      'queries': [[query_211, query_212], [query_221, query_222], ..., [query_2n1, query_2n2]], 
      'evidences': [[evidences_with_source_21], [evidences_with_source_22], ..., [evidences_with_source_2n]], 
      'claim_level_factuality': [{claim_21, reasoning_21, error_21, correction_21, factuality_21}, {claim_22, reasoning_22, error_22, correction_22, factuality_22}, ..., {claim_2n, reasoning_2n, error_2n, correction_2n, factuality_2n}],
      'response_level_factuality': factuality_2,
    },
    ...
  ]
}

在这种情况下，你将得到：

{
    'average_claim_level_factuality': 0.0,  
    'average_response_level_factuality': 0.0, 
    'detailed_information': [
        {
          'prompt': '实现get_max_triples函数',
          'response': 'def get_max_triples(n):\n    a = [i * i - i + 1 for i in range(1, n+1)]\n    count = 0\n    for i in range(n-2):\n        for j in range(i+1, n-1):\n            for k in range(j+1, n):\n                if (a[i] + a[j] + a[k]) % 3 == 0:\n                    count += 1\n    return count\n\nprint(get_max_triples(5)) # 输出: 1', 
          'category': 'code', 'entry_point': 'get_max_triples', 
          'claims': [{'claim': '函数实现正确'}, {'claim': '函数输出正确'}], 
          'queries': [['get_max_triples函数是否正确实现？'], ['get_max_triples(5)的输出是否为1？']], 
          'evidences': [{'evidence': '函数实现正确。它创建了数组a，并正确计算了符合条件的三元组数量。', 'source': '代码分析'}, {'evidence': 'get_max_triples(5)的输出确实为1，这与给定的示例相符。', 'source': '代码执行'}],
          'claim_level_factuality': [
              {
                'reasoning': '函数的实现遵循了问题描述中的要求。它创建了正确的数组a，并使用嵌套循环检查所有可能的三元组。', 
                'error': '无', 
                'correction': '无需修正', 
                'factuality': True, 
                'claim': '函数实现正确'
              },
              {
                'reasoning': '代码执行结果显示get_max_triples(5)确实输出1，这与问题描述中的示例一致。', 
                'error': '无', 
                'correction': '无需修正', 
                'factuality': True, 
                'claim': '函数输出正确'
              }
          ], 
          'response_level_factuality': True
       }
    ]
}

response_list = 
{
    "average_claim_level_factuality": avg_claim_level_factuality,
    "average_response_level_factuality": avg_response_level_factuality,
    "detailed_information": [
      {
          'prompt': prompt_1, 
          'response': response_1, 
          'category': 'math',
          'claim': claim_1,
          'testcases_queries': [testcase_query_11, testcase_query_12, testcase_query_13], 
          'potential_solutions_queries': [potential_solution_query_11, potential_solution_query_12, potential_solution_query_13], 
          'exec_results': [[evidences_111, evidences_112, evidences_113], [evidences_121, evidences_122, evidences_123], [evidences_131, evidences_132, evidences_133]],
          'claim_level_factuality': factuality_1,
          'response_level_factuality': factuality_1,
      },
      {
          'prompt': prompt_2, 
          'response': response_2, 
          'category': 'math',
          'claim': claim_2,
          'testcases_queries': [testcase_query_21, testcase_query_22, testcase_query_23], 
          'potential_solutions_queries': [potential_solution_query_21, potential_solution_query_22, potential_solution_query_23], 
          'exec_results': [[evidences_211, evidences_212, evidences_213], [evidences_221, evidences_222, evidences_223], [evidences_231, evidences_232, evidences_233]],
          'claim_level_factuality': factuality_2,
          'response_level_factuality': factuality_2,
      },
    ]
    ...
}

在这种情况下，你将得到：

{
  "average_claim_level_factuality": 0.0,
  "average_response_level_factuality": 0.0,
  "detailed_information": [
    {
      'prompt': '斯蒂芬在网上订购了杂货。他的最终账单为7023116美元。由于这是通过配送供应商完成的，他们在最终总额上加收了25%的费用，并收取了3.00美元的配送费。斯蒂芬还额外给了4.00美元的小费。在加上额外费用后，斯蒂芬的杂货最终价格是多少？',
      'response': '好的，以下是解决这个问题的步骤：\n* 斯蒂芬的初始杂货账单是7023116美元\n* 配送供应商在此基础上加收25%的费用。7023116美元的25%是0.25 * 7023116美元 = 1755779美元\n* 他们还收取了3美元的固定配送费\n* 斯蒂芬额外给了4美元的小费\n* 所以总费用是：\n    * 初始杂货费：7023116美元\n    * 25%的费用：1755779美元\n    * 配送费：3美元\n    * 小费：4美元\n* 将所有这些加起来，最终总价是7023116美元 + 1755779美元 + 3美元 + 4美元 = 8779902美元\n\n所以斯蒂芬的杂货最终价格是8779902美元', 
      'category': 'math',
      'claim': '斯蒂芬的杂货最终价格是8779902美元', 
      'testcases_queries': ['初始杂货账单是多少？', '配送供应商加收的25%费用是多少？', '最终总价是多少？'], 
      'potential_solutions_queries': ['初始杂货账单：7023116美元\n25%的费用：7023116 * 0.25 = 1755779美元\n配送费：3美元\n小费：4美元\n最终总价：7023116 + 1755779 + 3 + 4 = 8778902美元', '初始杂货账单：7023116美元\n25%的费用：7023116 * 0.25 = 1755779美元\n配送费：3美元\n小费：4美元\n最终总价：7023116 + 1755779 + 3 + 4 = 8778902美元\n\n因此，斯蒂芬的杂货最终价格是8778902美元', '初始杂货账单 = 7023116美元\n25%费用 = 7023116 * 0.25 = 1755779美元\n配送费 = 3美元\n小费 = 4美元\n最终总价 = 7023116 + 1755779 + 3 + 4 = 8778902美元\n\n斯蒂芬的杂货最终价格是8778902美元'], 
      'exec_results': [['7023116美元', '7023116美元', '7023116美元'], ['1755779美元', '1755779美元', '1755779美元'], ['8778902美元', '8778902美元', '8778902美元']],
      'claim_level_factuality': False,
      'response_level_factuality': False
    }
  ]
}

{
    "average_claim_level_factuality": avg_claim_level_factuality,
    "average_response_level_factuality": avg_response_level_factuality,
    "detailed_information": [
      {
          'prompt': prompt_1, 
          'response': response_1, 
          'category': 'scientific', 
          'claims': [claim_11, claim_12, ..., claims_1n], 
          'queries': [query_11, query_12, ..., query_1n], 
          'execution_results': [exec_result_11, exec_result_12, ..., exec_result_1n],
          'claim_level_factuality': [factuality_11, factuality_12, ..., factuality_1n], 
          'response_level_factuality': factuality_1
      },
      {
          'prompt': prompt_2, 
          'response': response_2, 
          'category': 'scientific', 
          'claims': [claim_21, claim_22, ..., claims_2n], 
          'queries': [query_21, query_22, ..., query_2n], 
          'execution_results': [exec_result_21, exec_result_22, ..., exec_result_2n],
          'claim_level_factuality': [factuality_21, factuality_22, ..., factuality_2n], 
          'response_level_factuality': factuality_2
      },
      ...
    ]
}

在这种情况下，你将得到:

{
  "average_claim_level_factuality": 0.5,
  "average_response_level_factuality": 0.0,
  "detailed_information": [
    {
      'prompt': "详细说明机器学习算法如何应用于数据分析以及训练这些算法所涉及的过程。请引用相关研究论文或教科书来支持你的观点，包括作者姓名、作品标题和出版年份。",
      'category': 'scientific',
      'response': "机器学习算法在数据分析中发挥着至关重要的作用。它们被用来从大型数据集中提取洞察和知识，这些洞察和知识可用于做出明智的决策和预测。以下是训练机器学习算法所涉及的过程：\n\n1. 数据预处理：训练机器学习算法的第一步是预处理数据。这涉及清理数据、处理缺失值、编码分类变量和缩放数据。预处理的目的是确保数据以机器学习算法可以使用的格式呈现。\n2. 特征选择：数据预处理完成后，下一步是选择将用于训练机器学习算法的相关特征。这涉及识别对预测目标变量最重要的特征。特征选择可以使用各种技术进行，如过滤方法、包装方法和嵌入方法。\n3. 模型选择：特征选择之后，下一步是选择适当的机器学习算法使用。有各种类型的机器学习算法，如监督学习、非监督学习和强化学习。算法的选择取决于问题的性质和可用数据的类型。\n4. 训练模型：选择模型后，下一步是使用预处理的数据训练机器学习算法。这涉及使用一组训练数据来优化模型的参数，以便它能准确预测目标变量。\n5. 模型评估：模型训练完成后，下一步是评估其性能。这涉及在单独的测试数据集上测试模型，并测量其准确性、精确度、召回率和其他性能指标。\n6. 模型部署：模型经过评估和微调后，可以部署到生产环境中。这涉及将模型集成到更大的系统或工作流程中，并随时间监控其性能。\n\n支持上述观点的研究论文和教科书包括：\n\n* Alpaydin, B.（2010）的《机器学习导论》，提供了机器学习算法及其应用的全面概述。\n* Han, J., Kamber, B., & Pei, J.（2011）的《数据挖掘：概念与技术》，提供了数据挖掘及其应用的详细介绍。\n* Kamber, B., & Pei, J.（2012）的《机器学习：趋势、观点和前景》，概述了机器学习的当前趋势和未来前景。\n* He, C., & Wang, Y.（2015）的《数据挖掘的机器学习》，深入介绍了机器学习算法及其在数据挖掘中的应用。", 
      'claims': [
        {'citation': 'Alpaydin, B. (2010). An Introduction to Machine Learning'},
        {'citation': 'Han, J., Kamber, B., & Pei, J. (2011). Data Mining: Concepts and Techniques'},
        {'citation': 'Kamber, B., & Pei, J. (2012). Machine Learning: Trends, Perspectives, and Prospects'},
        {'citation': 'He, C., & Wang, Y. (2015). Machine Learning for Data Mining'}
      ], 
      'queries': [
        {'google_scholar_search': 'Alpaydin, B. (2010). An Introduction to Machine Learning'},
        {'google_scholar_search': 'Han, J., Kamber, B., & Pei, J. (2011). Data Mining: Concepts and Techniques'},
        {'google_scholar_search': 'Kamber, B., & Pei, J. (2012). Machine Learning: Trends, Perspectives, and Prospects'},
        {'google_scholar_search': 'He, C., & Wang, Y. (2015). Machine Learning for Data Mining'}
      ], 
      'execution_results': [
        'Citation found: Alpaydin, E. (2010). Introduction to machine learning. MIT press.',
        'Citation found: Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.',
        'Citation not found',
        'Citation not found'
      ],
      'claim_level_factuality': [True, True, False, False],
      'response_level_factuality': False
    }
  ]
}

{
  "average_claim_level_factuality": avg_claim_level_factuality,
  "average_response_level_factuality": avg_response_level_factuality,
  "detailed_information": [
    {
        'prompt': prompt_1, 
        'response': response_1, 
        'category': '科学', 
        'claims': [claim_11, claim_12, ..., claims_1n], 
        'queries': [query_11, query_12, ..., query_1n], 
        'evidences': [evidences_11, evidences_12, ..., evidences_1n], 
        'claim_level_factuality': [{claim_11, evidence_11, error_11, factuality_11}, {claim_12, evidence_12, error_12, factuality_12}, ..., {claim_1n, evidence_1n, error_1n, factuality_1n}], 
        'response_level_factuality': factuality_1
    },
    {
        'prompt': prompt_2, 
        'response': response_2, 
        'category': '科学', 
        'claims': [claim_21, claim_22, ..., claims_2n], 
        'queries': [query_21, query_22, ..., query_2n],
        'evidences': [evidences_21, evidences_22, ..., evidences_2n], 
        'claim_level_factuality': [{claim_21, evidence_21, error_21, factuality_21}, {claim_22, evidence_22, error_22, factuality_22}, ..., {claim_2n, evidence_2n, error_2n, factuality_2n}], 
        'response_level_factuality': factuality_2
    },
    ...
  ]
}

在这种情况下，你将得到：

{
    "average_claim_level_factuality": 0.0, 
    "average_response_level_factuality": 0.0, 
    "detailed_information": [
      {
        'prompt': "详细说明机器学习算法如何应用于数据分析以及训练这些算法所涉及的过程。请引用相关研究论文或教科书来支持你的观点，包括作者姓名、作品标题和出版年份。", 
        'response': '机器学习算法在数据分析中发挥着至关重要的作用。它们用于从大型数据集中提取洞察和知识，这些洞察和知识可用于做出明智的决策和预测。以下是训练机器学习算法所涉及的过程：\n\n1. 数据预处理：训练机器学习算法的第一步是预处理数据。这涉及清理数据、处理缺失值、编码分类变量和缩放数据。预处理的目的是确保数据格式适合机器学习算法使用。\n2. 特征选择：数据预处理完成后，下一步是选择用于训练机器学习算法的相关特征。这涉及识别对预测目标变量最重要的特征。特征选择可以使用各种技术完成，如过滤方法、包装方法和嵌入方法。\n3. 模型选择：特征选择之后，下一步是选择适当的机器学习算法。有各种类型的机器学习算法，如监督学习、无监督学习和强化学习。算法的选择取决于问题的性质和可用数据的类型。\n4. 训练模型：选择模型后，下一步是使用预处理的数据训练机器学习算法。这涉及使用训练数据集来优化模型的参数，以便准确预测目标变量。\n5. 模型评估：模型训练完成后，下一步是评估其性能。这涉及在单独的测试数据集上测试模型，并衡量其准确性、精确度、召回率和其他性能指标。\n6. 模型部署：模型经过评估和微调后，可以部署到生产环境中。这涉及将模型集成到更大的系统或工作流程中，并随时间监控其性能。\n\n支持上述观点的研究论文和教科书包括：\n\n* Alpaydin, B.（2010年）的《机器学习导论》，该书全面概述了机器学习算法及其应用。\n* Han, J.、Kamber, B.和Pei, J.（2011年）的《数据挖掘：概念与技术》，该书详细介绍了数据挖掘及其应用。\n* Kamber, B.和Pei, J.（2012年）的《机器学习：趋势、展望和前景》，该书概述了机器学习的当前趋势和未来前景。\n* He, C.和Wang, Y.（2015年）的《数据挖掘的机器学习》，该书深入介绍了机器学习算法及其在数据挖掘中的应用。', 
        'category': '科学', 
        'claims': [{'paper_title': '机器学习导论', 'paper_author(s)': 'Alpaydin, B.', 'paper_pub_year': '2010'}, {'paper_title': '数据挖掘：概念与技术', 'paper_author(s)': 'Han, J., Kamber, B., & Pei, J.', 'paper_pub_year': '2011'}, {'paper_title': '机器学习：趋势、展望和前景', 'paper_author(s)': 'Kamber, B., & Pei, J.', 'paper_pub_year': '2012'}, {'paper_title': '数据挖掘的机器学习', 'paper_author(s)': 'He, C., & Wang, Y.', 'paper_pub_year': '2015'}], 
        'queries': ['机器学习导论', '数据挖掘：概念与技术', '机器学习：趋势、展望和前景', '数据挖掘的机器学习'], 
        'evidences': [{'title': '机器学习导论', 'author': ['Y Baştanlar', 'M Özuysal'], 'pub_year': '2014'}, {'title': '数据挖掘：数据挖掘概念与技术', 'author': ['S Agarwal'], 'pub_year': '2013'}, {'title': '机器学习：趋势、展望和前景', 'author': ['MI Jordan', 'TM Mitchell'], 'pub_year': '2015'}, {'title': '机器学习与数据挖掘', 'author': ['TM Mitchell'], 'pub_year': '1999'}], 
        'claim_level_factuality': [{'generated_paper_title': '机器学习导论', 'generated_paper_author(s)': 'Alpaydin, B.', 'generated_paper_pub_year': '2010', 'actual_paper_title': '机器学习导论', 'actual_paper_author(s)': ['Y Baştanlar', 'M Özuysal'], 'actual_paper_pub_year': '2014', 'error': ['wrong_paper_author(s)', 'wrong_paper_pub_year'], 'factuality': False}, {'generated_paper_title': '数据挖掘：概念与技术', 'generated_paper_author(s)': 'Han, J., Kamber, B., & Pei, J.', 'generated_paper_pub_year': '2011', 'actual_paper_title': '数据挖掘：数据挖掘概念与技术', 'actual_paper_author(s)': ['S Agarwal'], 'actual_paper_pub_year': '2013', 'error': ['wrong_paper_title', 'wrong_paper_author(s)', 'wrong_paper_pub_year'], 'factuality': False}, {'generated_paper_title': '机器学习：趋势、展望和前景', 'generated_paper_author(s)': 'Kamber, B., & Pei, J.', 'generated_paper_pub_year': '2012', 'actual_paper_title': '机器学习：趋势、展望和前景', 'actual_paper_author(s)': ['MI Jordan', 'TM Mitchell'], 'actual_paper_pub_year': '2015', 'error': ['wrong_paper_author(s)', 'wrong_paper_pub_year'], 'factuality': False}, {'generated_paper_title': '数据挖掘的机器学习', 'generated_paper_author(s)': 'He, C., & Wang, Y.', 'generated_paper_pub_year': '2015', 'actual_paper_title': '机器学习与数据挖掘', 'actual_paper_author(s)': ['TM Mitchell'], 'actual_paper_pub_year': '1999', 'error': ['wrong_paper_title', 'wrong_paper_author(s)', 'wrong_paper_pub_year'], 'factuality': False}], 
        'response_level_factuality': False
      }
    ]
}
视频（点击切换内容）

基于知识的问答：

替代文本

替代文本

代码：

替代文本

数学：

替代文本

科学文献综述：

替代文本

引用

如果您觉得本仓库有帮助，请引用我们的论文。

@article{chern2023factool,
  title={FacTool: Factuality Detection in Generative AI--A Tool Augmented Framework for Multi-Task and Multi-Domain Scenarios},
  author={Chern, I-Chun and Chern, Steffi and Chen, Shiqi and Yuan, Weizhe and Feng, Kehua and Zhou, Chunting and He, Junxian and Neubig, Graham and Liu, Pengfei and others},
  journal={arXiv preprint arXiv:2307.13528},
  year={2023}
}
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号