Show-o

Transformador único para compreensão e geração multimodal unificada

Produto ComumImagemInteligência ArtificialMultimodal

Show-o é um modelo de transformador único para compreensão e geração multimodal, capaz de lidar com legendagem de imagens, perguntas e respostas visuais, geração de imagem a partir de texto, reparo e extensão guiados por texto, e geração multimodal híbrida. Desenvolvido conjuntamente pelo Show Lab da Universidade Nacional de Singapura e pela ByteDance, utiliza as mais recentes tecnologias de aprendizado profundo para compreender e gerar dados de múltiplas modalidades, representando um grande avanço na área da inteligência artificial.

Best AI Websites & Tools

Show-o

Show-o Situação do Tráfego Mais Recente

Show-o Tendência de Visitas

Show-o Distribuição Geográfica das Visitas

Show-o Fontes de Tráfego

Show-o Alternativas

UniTok — UniTok é um tokenizador visual unificado para geração e compreensão visual.

Show-o — Transformador único para compreensão e geração multimodal unificada

HunyuanVideo-I2V — HunyuanVideo-I2V é uma estrutura de geração de imagem para vídeo lançada pela Tencent, baseada no HunyuanVideo.

MatAnyone — MatAnyone é um framework de remoção de fundo de vídeo estável e com foco em objetos específicos, adequado para cenários complexos.

Janus-Pro-7B — Janus-Pro-7B é uma nova estrutura autoregressiva que unifica a compreensão e a geração multimodais.

leapfusion-hunyuan-image2video — Uma nova técnica de amostragem de imagem para vídeo, baseada no modelo Hunyuan, para gerar vídeos de alta qualidade.

MangaNinja — MangaNinja é um método de coloração de esboço baseado em referência, que permite correspondência precisa e controle de interação granular.

Valley — Modelo multimodal de larga escala, processando dados de texto, imagem e vídeo.

Infini-Megrez — Modelo de compreensão multimodal de ponta a ponta, com sinergia de hardware e software para liberar a inteligência de ponta a ponta.

LLaVA-OneVision — Modelo de conversão eficiente para tarefas de visão multimodal

MINT-1T — Um conjunto de dados multimodais com um trilhão de tokens e 3,4 bilhões de imagens.

SDXS — Modelo de difusão latente passo único em tempo real, com geração controlável por imagem.

MouSi — Modelo de linguagem visual multimodal

Inception Labs — O Inception Labs lança uma nova geração de modelos de linguagem grandes difusivos, oferecendo capacidade de geração de linguagem ultrarrápida, eficiente e de alta qualidade.

Migician — Migician é um modelo de linguagem grande multimodal focado na localização de imagens múltiplas, capaz de realizar localização precisa de imagens múltiplas de forma livre.

Mochii AI — Mochii AI é um ecossistema de inteligência artificial personalizado, com suporte de modelos de ponta, que impulsiona o futuro da colaboração entre humanos e IA.

TheoremExplainAgent — TheoremExplainAgent é um sistema inteligente usado para gerar vídeos explicativos multimodais de teoremas.

QwQ-Max-Preview — QwQ-Max-Preview é o mais recente resultado da série Qwen, construído com base no Qwen2.5-Max, e apresenta poderosas capacidades de raciocínio e aplicações em múltiplas áreas.

Claude 3.7 Sonnet — O Claude 3.7 Sonnet é o mais recente modelo de inteligência artificial da Anthropic, que oferece respostas rápidas e raciocínio profundo.

ZeroBench — ZeroBench é um benchmark visual de alta dificuldade para modelos multimodais de grande porte contemporâneos.

VisionAgent — O VisionAgent é uma biblioteca para gerar código que resolve tarefas de visão computacional, suportando diversos provedores de LLM.

Huginn-0125 — Huginn-0125 é um modelo de profundidade recorrente com variáveis ​​latentes e 3,5 bilhões de parâmetros, especializado em raciocínio e geração de código.

Lumina-Video — Lumina-Video é um projeto experimental de geração de vídeo, com suporte à geração de vídeo a partir de texto.

VideoRAG — VideoRAG é uma estrutura de geração aprimorada por recuperação para processamento de vídeos de contexto extremamente longo.

VisoMaster — Software poderoso de substituição e edição de vídeo, utilizando tecnologia de IA para resultados naturais.

VideoJAM — VideoJAM é uma estrutura para aprimorar a coerência de movimento em modelos de geração de vídeo.

OmniHuman-1 — OmniHuman-1 é uma estrutura multimodal baseada em uma única imagem de rosto e sinais de movimento para gerar vídeos humanos.

MILS — LLMs podem ver e ouvir sem nenhum treinamento prévio.

Janus-Pro-1B — Janus-Pro-1B é uma estrutura auto-regressiva unificada de compreensão e geração multimodal.

Tarsier — Tarsier é um grande modelo de linguagem de vídeo lançado pela ByteDance para gerar descrições de vídeo de alta qualidade.

Huginn-0125 — Huginn-0125 é um modelo de profundidade recorrente com variáveis latentes e 3,5 bilhões de parâmetros, especializado em raciocínio e geração de código.