HunyuanDiT

实现多分辨率扩散和细粒度中英文理解

HunyuanDiT是一个多分辨率扩散变换器模型，具有细粒度的中英文理解能力。该模型采用优化的变换器结构、文本编码器和位置编码，通过迭代数据流程提升性能。HunyuanDiT支持多轮多模态对话，可根据上下文生成和优化图像。经专业评估，该模型在中文到图像生成方面达到开源模型的先进水平。

访问官网

AI-infinity-V1-fp16 - 采用稳定扩散的真实感图像生成模型

AI InfinityDiffusersGithubHugging FaceHuggingface开源项目文本生成图像模型稳定扩散

AI-infinity-V1-fp16项目展示了稳定扩散技术在生成真实感图像中的应用。通过Huggingface API及原创作者的示例，该模型清晰呈现文本到图像的转换能力，特别是在生成自然手部细节方面有卓越表现。了解该项目的主要特性和优势，有助于提升图像处理的创造性。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

IF-I-XL-v1.0 - 先进的多级级联扩散模型实现高质量文本到图像生成

AI绘画DeepFloyd-IFGithubHuggingface开源项目扩散模型文本生成图像模型深度学习

IF-I-XL-v1.0是DeepFloyd和StabilityAI开发的三级级联扩散模型，具有4.3B参数规模。该模型采用冻结的T5转换器和改进的UNet架构，实现高质量文本到图像生成。在COCO数据集上，模型达到6.66的零样本FID-30K分数，展现出优秀的照片级真实感和语言理解能力。支持从64x64到1024x1024的多分辨率图像生成，可在14GB显存的GPU上高效运行。

InternVL2-1B - 多模态大语言模型实现多图像和视频智能理解

GithubHuggingfaceInternVL2人工智能多模态大语言模型开源项目模型自然语言处理计算机视觉

InternVL2-1B是一款新型多模态大语言模型，结合了InternViT-300M-448px视觉模型和Qwen2-0.5B-Instruct语言模型。该模型在文档理解、图表分析和场景文字识别等任务中表现优异，能有效处理长文本、多图像和视频输入。InternVL2-1B在开源多模态模型中表现突出，部分能力可与商业模型比肩。通过采用8k上下文窗口训练，该模型大幅提升了处理长输入序列的能力。

DiT-3D - 基于纯扩散变换器的3D形状生成新方法

3D形状生成DiT-3DGithubShapeNet开源项目扩散变换器点云

DiT-3D是一个基于纯扩散变换器的3D形状生成项目。该方法直接对体素化点云进行去噪处理，支持多种配置，如不同的体素大小、补丁维度和模型复杂度。在椅子类别的生成任务中，DiT-3D在1-NNA-CD、1-NNA-EMD、COV-CD和COV-EMD等指标上表现良好。这一方法为3D形状生成领域提供了新的研究方向。

PixArt-sigma - Diffusion Transformer模型实现4K文本到图像生成

4K图像生成GithubPixArt-ΣTransformer开源项目扩散模型文生图

PixArt-Σ是一个基于Diffusion Transformer的文本到图像生成模型。通过Weak-to-Strong训练方法,该模型支持4K分辨率生成,采用300长度T5 token和SDXL VAE。相比前代PixArt-α,PixArt-Σ具有更强的生成能力。项目提供开源代码、多种分辨率预训练权重、diffusers库集成支持和在线演示。

stable-diffusion-3.5-large-turbo - 高效创新的4步快速文生图AI模型

AI绘画GithubHuggingfaceStable Diffusion 3.5图像生成开源项目模型深度学习生成式AI

Stable Diffusion 3.5大型快速版是一款基于多模态扩散变换器架构的高效文生图模型。它采用对抗性扩散蒸馏技术和三个预训练文本编码器，仅需4步即可完成推理。该模型在图像质量、文本理解、字体渲染和资源效率方面均有显著提升，适用于艺术创作、教育工具和生成模型研究等领域。模型遵循严格的安全准则和使用政策，为用户提供可靠的AI图像生成解决方案。

clip-guided-diffusion - 文本生成图像，多功能扩散模型

AI绘图CLIP Guided DiffusionGithubKatherine Crowsonpyglide图像生成开源项目

CLIP Guided Diffusion项目提供文本生成图像功能，支持多种参数和提示词权重设置。此项目采用高效扩散模型，通过命令行或Python接口操作，支持GPU加速，提供丰富的图像尺寸和调校选项，适合生成高质量多样化的视觉内容。

llava-interleave-qwen-0.5b-hf - 多模态模型中的图像到文本生成的应用与研究

GithubHuggingfaceLLaVA Interleave图像文本转换多模态模型开源项目机器学习模型自然语言处理

LLaVA Interleave是基于变换器架构进行优化的开源自回归语言模型，专注于多模态大模型和聊天机器人的研究，支持多图像和多提示生成，适用于计算机视觉和自然语言处理领域的研究人员和爱好者。在遵循开放许可证要求的前提下，模型提升了图像到文本的生成能力。通过4比特量化和Flash Attention 2优化策略，显著提高了生成效率。

Tune-A-Video - 图像扩散模型微调实现高质量文本到视频转换

GithubTune-A-Video人工智能开源项目扩散模型文本生成视频计算机视觉

Tune-A-Video项目通过微调预训练的文本到图像扩散模型，实现高质量文本到视频生成。该方法仅需一个视频-文本对作为输入，即可快速适应新的视频生成任务。支持Stable Diffusion等多种预训练模型，能生成多样化风格的视频内容。项目开源代码实现，提供在线演示和预训练模型，为研究和开发提供便捷的文本到视频生成工具。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com