4月9日 AI资讯汇总
😼
4月9日 AI资讯汇总 😼 4月9日 AI资讯汇总 Modified April 14, 2025 No access 【AI视频】腾讯ACTalker 音视频驱动图片口型同步2 250409 00:00 效果： 能力支持： • 音频驱动口型同步 • 面部动作视频驱动 • 音频+面部表情动作驱动 🌟地址： https://harlanhong.github.io/publications/actalker/index.html Viggle：升级 Mic 2.0能力 Viggle AI视频制作工具，今天表示升级其Mic 2.0能力，提升在音频驱动图片角色口型同步时的准确度。 同时可以配合“根据参考视频驱动图片角色动作”能力一同使用，让动作和声音结合。 目前具有免费试用次数。 试用下来实际效果相较其他同类竞品，还需要进行后期打磨 官方演示效果： No access 【AI视频】Viggle’s Mic 2.0 口型同步250409 00:00 🌟地址： https://viggle.ai/ 🤖️AI 模型/代理 阿里云百炼全面支持MCP 阿里云百炼在AI势能大会上线业界首个全生命周期MCP服务，无需用户管理资源、开发部署、运维工作，5分钟即可搭建一个连接MCP服务的 Agent。大幅降低AI应用开发门槛。 目前首批上线50多款主流MCP服务（高的，Notion）等，覆盖生活，内容生成等多场景。 🌟地址： https://bailian.console.aliyun.com/?spm=5176.21213303.nav v2 dropdown menu 0.d main 3 0.34a52f3dyMgTHe&tab=mcp&scm=20140722.M 10798567. .V 1 /mcp market MiniMax：更新API（ Speech 02 TTS，Image 01） Speech 02 TTS MiniMax更新了Speech 02系列语音模型，支持30多种语音 仅从 15 秒的音频中克隆准确率高达 99% 的声音 一次性可输入20万字符，提供更真实、更流畅、更便捷的音频体验。 Image 01 Image 01是MiniMax推出的文本到图像生成模型，具有精确的提示控制能力，提供优越的提示与图像之间的保真度。该模型支持多种标准的纵横比（16:9、4:3、3:2等），输出保持高分辨率，并且价格仅为同类产品的十分之一。 🌟地址： https://www.minimax.io/platform/document/platform%20introduction?key=66701c8e1d57f38758d58198 谷歌：Gemini的Deep Research支持升级为Gemini 2.5 Pro Gemini的Deep Research功能背后模型已升级为Gemini 2.5 Pro。在以下三个方向上更为出色： • 查找和综合信息，分析推理 • 提供更具洞察力的报告 该工具现已向 Gemini Advanced 订阅用户开放 🌟地址： https://github.com/github/github mcp server https://github.blog/changelog/2025 04 04 github mcp server public preview/ DeepCoder 14B Preview：完全开源的代码模型 DeepCoder 14B Preview是由Together AI和智能体平台Agentica联合开源的代码模型，拥有140亿参数。 DeepCoder 14B Preview 是一款代码推理 LLM，由 DeepSeek R1 Distilled Qwen 14B 微调而来。 在知名代码测试平台LiveCodeBench上的准确率达到60.6%，高于OpenAI的o1模型（59.5%），略低于o3 mini（60.9%）。 该模型基于分布式强化学习（RL）训练，特别适用于编程推理和自动化代码生成。 🌟地址： https://pretty radio b75.notion.site/DeepCoder A Fully Open Source 14B Coder at O3 mini Level 1cf81902c14680b3bee5eb349a512a51 https://huggingface.co/agentica org/DeepCoder 14B Preview 英伟达：放出Llama 3.1 Nemotron Ultra 253B Llama 3.1 Nemotron Ultra 253B是基于Llama 3.1 405B优化的开源模型，拥有253亿参数。专为多GPU数据中心打造，支持FP8精度，旨在创建"最强智能体"。 在GPQA、Complex Reasoning等基准测试中表现优异，支持高达128K的上下文长度，具备较强的推理和聊天能力。该模型适用于单个 8xH100 节点进行推理。 🌟地址： https://huggingface.co/nvidia/Llama 3 1 Nemotron Ultra 253B v1 阶跃星辰：发布全新多模态推理模型Step R1 V Mini 根据官方信息，该模型支持图文输入、文字输出、有良好的指令遵循和通用能力，能够高精度感知图像并完成复杂推理任务。 技术亮点： • 多模态联合强化学习 Step R1 V Mini 的训练路径基于 PPO 强化学习策略，在图像空间引入 verifiable reward 来解决图片空间推理链路复杂、容易产生混淆的相关和因果推理错误的问题。相较 DPO 等方法，在处理图像空间的复杂链路时更具泛化性与鲁棒性。 • 充分利用多模态合成数据 目前多模态数据的反馈信号相对难以获得。其设计了大量基于环境反馈的多模态数据合成链路，合成了可规模化训练的多模态推理数据，并通过基于 PPO 的强化学习训练同步提升模型文本和视觉的推理能力，有效避免了训练跷跷板问题。 Step R1 V Mini 已正式上线阶跃AI 网页端，并在阶跃星辰开放平台提供 API 接口 🌟地址： 阶跃AI 网页端： https://yuewen.cn/chats/new 阶跃星辰开放平台： https://platform.stepfun.com/docs/llm/reasoning 🤖️AI 3D HumanDreamer X：通过高斯恢复实现单图像人体头像重建 HumanDreamer X是一个用于单张图像生成逼真人类头像的框架。 该框架通过整合多视角人类模型生成和重建，显著提高了重建3D模型的几何一致性和视觉保真度。 HumanDreamer X使用3D高斯分层作为显式3D表示，提供初始几何和外观优先级。另外HumanFixer用于恢复3DGS渲染，确保逼真的结果，有效助力三维重建和动画制作。 No access 【AI 3D】HumanDreamer X：通过高斯恢复实现逼真的单图像人体头像重建 250409 00:00 🌟地址： https://humandreamer x.github.io/ No access 【AI视频】腾讯ACTalker 音视频驱动图片口型同步2 250409 00:00 No access 【AI视频】腾讯ACTalker 音视频驱动图片口型同步2 250409 00:00 效果： 能力支持： • 音频驱动口型同步 • 面部动作视频驱动 • 音频+面部表情动作驱动 🌟地址： https://harlanhong.github.io/publications/actalker/index.html Viggle：升级 Mic 2.0能力 Viggle AI视频制作工具，今天表示升级其Mic 2.0能力，提升在音频驱动图片角色口型同步时的准确度。 同时可以配合“根据参考视频驱动图片角色动作”能力一同使用，让动作和声音结合。 目前具有免费试用次数。 试用下来实际效果相较其他同类竞品，还需要进行后期打磨 官方演示效果： No access 【AI视频】Viggle’s Mic 2.0 口型同步250409 00:00 No access 【AI视频】Viggle’s Mic 2.0 口型同步250409 00:00 🌟地址： https://viggle.ai/ 🤖️AI 模型/代理 阿里云百炼全面支持MCP 阿里云百炼在AI势能大会上线业界首个全生命周期MCP服务，无需用户管理资源、开发部署、运维工作，5分钟即可搭建一个连接MCP服务的 Agent。大幅降低AI应用开发门槛。 目前首批上线50多款主流MCP服务（高的，Notion）等，覆盖生活，内容生成等多场景。 🌟地址： https://bailian.console.aliyun.com/?spm=5176.21213303.nav v2 dropdown menu 0.d main 3 0.34a52f3dyMgTHe&tab=mcp&scm=20140722.M 10798567. .V 1 /mcp market MiniMax：更新API（ Speech 02 TTS，Image 01） Speech 02 TTS MiniMax更新了Speech 02系列语音模型，支持30多种语音 仅从 15 秒的音频中克隆准确率高达 99% 的声音 一次性可输入20万字符，提供更真实、更流畅、更便捷的音频体验。 Image 01 Image 01是MiniMax推出的文本到图像生成模型，具有精确的提示控制能力，提供优越的提示与图像之间的保真度。该模型支持多种标准的纵横比（16:9、4:3、3:2等），输出保持高分辨率，并且价格仅为同类产品的十分之一。 🌟地址： https://www.minimax.io/platform/document/platform%20introduction?key=66701c8e1d57f38758d58198 谷歌：Gemini的Deep Research支持升级为Gemini 2.5 Pro Gemini的Deep Research功能背后模型已升级为Gemini 2.5 Pro。在以下三个方向上更为出色： • 查找和综合信息，分析推理 • 提供更具洞察力的报告 该工具现已向 Gemini Advanced 订阅用户开放 🌟地址： https://github.com/github/github mcp server https://github.blog/changelog/2025 04 04 github mcp server public preview/ DeepCoder 14B Preview：完全开源的代码模型 DeepCoder 14B Preview是由Together AI和智能体平台Agentica联合开源的代码模型，拥有140亿参数。 DeepCoder 14B Preview 是一款代码推理 LLM，由 DeepSeek R1 Distilled Qwen 14B 微调而来。 在知名代码测试平台LiveCodeBench上的准确率达到60.6%，高于OpenAI的o1模型（59.5%），略低于o3 mini（60.9%）。 该模型基于分布式强化学习（RL）训练，特别适用于编程推理和自动化代码生成。 🌟地址： https://pretty radio b75.notion.site/DeepCoder A Fully Open Source 14B Coder at O3 mini Level 1cf81902c14680b3bee5eb349a512a51 https://huggingface.co/agentica org/DeepCoder 14B Preview 英伟达：放出Llama 3.1 Nemotron Ultra 253B Llama 3.1 Nemotron Ultra 253B是基于Llama 3.1 405B优化的开源模型，拥有253亿参数。专为多GPU数据中心打造，支持FP8精度，旨在创建"最强智能体"。 在GPQA、Complex Reasoning等基准测试中表现优异，支持高达128K的上下文长度，具备较强的推理和聊天能力。该模型适用于单个 8xH100 节点进行推理。 🌟地址： https://huggingface.co/nvidia/Llama 3 1 Nemotron Ultra 253B v1 阶跃星辰：发布全新多模态推理模型Step R1 V Mini 根据官方信息，该模型支持图文输入、文字输出、有良好的指令遵循和通用能力，能够高精度感知图像并完成复杂推理任务。 技术亮点： • 多模态联合强化学习 Step R1 V Mini 的训练路径基于 PPO 强化学习策略，在图像空间引入 verifiable reward 来解决图片空间推理链路复杂、容易产生混淆的相关和因果推理错误的问题。相较 DPO 等方法，在处理图像空间的复杂链路时更具泛化性与鲁棒性。 • 充分利用多模态合成数据 目前多模态数据的反馈信号相对难以获得。其设计了大量基于环境反馈的多模态数据合成链路，合成了可规模化训练的多模态推理数据，并通过基于 PPO 的强化学习训练同步提升模型文本和视觉的推理能力，有效避免了训练跷跷板问题。 Step R1 V Mini 已正式上线阶跃AI 网页端，并在阶跃星辰开放平台提供 API 接口 🌟地址： 阶跃AI 网页端： https://yuewen.cn/chats/new 阶跃星辰开放平台： https://platform.stepfun.com/docs/llm/reasoning 🤖️AI 3D HumanDreamer X：通过高斯恢复实现单图像人体头像重建 HumanDreamer X是一个用于单张图像生成逼真人类头像的框架。 该框架通过整合多视角人类模型生成和重建，显著提高了重建3D模型的几何一致性和视觉保真度。 HumanDreamer X使用3D高斯分层作为显式3D表示，提供初始几何和外观优先级。另外HumanFixer用于恢复3DGS渲染，确保逼真的结果，有效助力三维重建和动画制作。 No access 【AI 3D】HumanDreamer X：通过高斯恢复实现逼真的单图像人体头像重建 250409 00:00 No access 【AI 3D】HumanDreamer X：通过高斯恢复实现逼真的单图像人体头像重建 250409 00:00 🌟地址： https://humandreamer x.github.io/ 🐱 猫叔留言： AI资讯公众号：超时空视角 猫叔个人公众号：AI替代人类 小红书/抖音：EverAI B站：Ever AI酱 （❤这里会有教程及AI工具界面操作） 猫叔留言： AI资讯公众号：超时空视角 猫叔个人公众号：AI替代人类 小红书/抖音：EverAI B站：Ever AI酱 （❤这里会有教程及AI工具界面操作） 🌟 04月09日 AI资讯 【AI 视频】 • ACTalker：多模态驱动的人物说话视频生成 • Viggle：升级 Mic 2.0能力 • Test Time Training (TTT)：英伟达协助研究，可生成完整的 1 分钟视频 【AI 3D】 • HumanDreamer X：通过高斯恢复实现单图像人体头像重建 【AI 模型/代理】 • 阿里云百炼全面支持MCP • MiniMax：更新API（ Speech 02 TTS，Image 01） • 谷歌：Gemini的Deep Research背后支持模型升级为Gemini 2.5 Pro • DeepCoder 14B Preview：完全开源的代码模型发布 • 英伟达：放出Llama 3.1 Nemotron Ultra 253B • 阶跃星辰：发布全新多模态推理模型Step R1 V Mini 04月09日 AI资讯 【AI 视频】 • ACTalker：多模态驱动的人物说话视频生成 • Viggle：升级 Mic 2.0能力 • Test Time Training (TTT)：英伟达协助研究，可生成完整的 1 分钟视频 【AI 3D】 • HumanDreamer X：通过高斯恢复实现单图像人体头像重建 【AI 模型/代理】 • 阿里云百炼全面支持MCP • MiniMax：更新API（ Speech 02 TTS，Image 01） • 谷歌：Gemini的Deep Research背后支持模型升级为Gemini 2.5 Pro • DeepCoder 14B Preview：完全开源的代码模型发布 • 英伟达：放出Llama 3.1 Nemotron Ultra 253B • 阶跃星辰：发布全新多模态推理模型Step R1 V Mini 🤖️AI 视频 ACTalker：多模态驱动的人物说话视频生成 ACTalker是由腾讯、香港科技大学和清华大学联合推出的基于视频扩散模型的端到端说话人视频生成框架。它支持音频/表情等多信号独立或组合控制，生成高度自然稳定的说话人视频。 对于多控制情况，技术设计了一个具有多个分支的并行曼巴结构，每个分支都使用单独的驱动信号来控制特定的面部区域。