Janus Pro官网 – 先进的多模态理解与生成模型

自校正 LLM 控制的扩散模型，用于自动编辑任何图像或修复生成模型的文本到图像错位，无需额外训练。

AttnGAN是微软开发的一种人工智能图像生成器，能够根据用户提供的文本描述生成对应的高质量图片。它通过训练模型使其理解文本与图像之间的关联，从而在生成图像时能够关注到文本描述的不同部分，确保生成的图像与描述内容高度一致，具有较强的实用性和灵活性。

Kandinsky-3是基于Kandinsky2-x模型族构建的开源文本到图像扩散模型，旨在提供高质量的图像生成和多样化的风格选择，支持用户自定义输入，快速生成，并易于扩展。

VERSE-65B 是由深圳元象科技自主研发的支持多语言的大语言模型，参数规模为 650 亿，开源的底座模型。

EdgeVLA是一个开源的边缘视觉-语言-行动模型，旨在增强机器人对视觉信息的理解和执行指令的能力。该项目专为边缘计算环境设计，支持社区贡献和改进。

DiffMoE是一个基于PyTorch的扩散模型项目，采用动态专家混合（MoE）架构，通过仅激活1倍参数即可超越3倍参数的密集模型。它在ImageNet上表现出色，FID50K分数低至2.30，Inception Score高达88.19，仅需700K训练步。项目主要用于图像生成任务，如类别条件生成和文本到图像生成。其核心创新包括批次级全局令牌池和动态容量预测器，能够根据噪声水平和样本复杂度智能分配计算资源。

Azure AI Foundry 是由 Microsoft Azure 提供的综合平台，专注于生成式 AI 应用的开发和部署。它整合了 AI、数据、安全和应用的全生命周期管理，支持从模型选择到部署的整个流程，并注重安全性和隐私保护。平台提供了丰富的模型选择、无缝自定义功能，以及与多种开发工具的集成，适用于企业级 AI 项目的构建与扩展。

豆包AI（Beanbag AI）是字节跳动开发的AI聊天助手，专为中国市场设计，拥有数百万月活跃用户。它提供多模态处理能力（文本、图像、音频），并即将推出文本到视频功能。用户可以通过网页版或浏览器扩展使用，支持内容生成、总结、翻译、英语学习等功能，具有高度可定制的用户体验。

Wan2.1 是由阿里巴巴开发的开放式视频生成模型，平台 wan.video 提供文本到视频和图像到视频功能。用户可通过输入文字或上传图片生成5秒动态视频，并支持提示词优化、灵感模式和音频生成等功能。平台设有积分系统，用户可以通过每日签到、点赞和发布作品赚取积分，每次生成视频消耗10积分。Wan2.1 在多个基准测试中表现优异，支持多种分辨率和任务，适合内容创作者和技术爱好者使用。

Bing的图像创作工具通过分析用户输入的文本，自动生成匹配的图像，提供免费访问和快速生成奖励积分，适合内容创作者、设计师和社交媒体用户。

Flux Image Generator 是一款前沿的人工智能工具，能够将文本描述转化为高质量的图像。该平台在提示准确性和生成高品质视觉效果方面表现出色，适用于各种创意和设计需求。

transformers_zamba2是一个为自然语言处理打造的先进工具库，提供数千个预训练模型，支持文本分类、问答、翻译等多种语言任务，让NLP技术更易用。该库不仅可以处理文本数据，还支持视觉和音频模态，适用于多种应用场景。

苹果公司推出的基于图结构的图像描述生成工具，通过将图像区域描述通过图结构连接，提升描述的完整性和逻辑性，使图像描述更精细、更结构化。同时，该工具还提供从文本到图像的生成能力，支持多种模型和配置。

Stable Diffusion 3微参考实现是一个专注于文本到图像生成的轻量级推理工具。该项目提供了文本编码器和变分自编码器（VAE）的代码实现，支持用户自定义模型参数进行图像生成。通过简化Stable Diffusion模型的部署和使用过程，该项目使得开发者能够更轻松地在生产环境中应用该模型，同时也为学习和研究Stable Diffusion模型提供了参考实现。

Google发布的MobileDiffusion，可以在手机设备上快速进行文本到图像的AI生成！这是一种新颖的方法，具有在设备上快速（亚秒级）文本到图像生成的潜力。