#Multimodal

#1

OpenAI Advanced Voice

Real-time, naravne dijalogu glasovne razgovore s ChatGPTjem

#2

ScreenAgent

Otrovni VLM agen je otvoren izvornik koji koristi pokretanje miša/tastature za kontrolu računalnog grafičkog korisničkog sučelja.

#3

Grok 2

xAI-inovirani bot za računanje sa podrškom za generiranje slika i podršku mnogomodalne uloge.

Runtime za AI preko uređaja za pokretanje modela lokalno na telefonskim uređajima, računalima i uređajima na ivici.

#5

Project Astra

Google DeepMindovo univerzalni agent za AI koji vidi, čuje i o rezonira o svijetu u stvarnom vremenu.

#6

OmniVision

Kompaktni visijski jezikovni model namijenjen razvoju aplikacija za kraj učitavanja i krajnje točke AI-a.

#7

Humain AI

Područje saudijski-izdanih AI tehnologija koje razvijamo ogromni infrastrukturni sustav i multimodale arapske LLM-ove za svjetske AI usluge.

#8

Uni-1 by Luma AI

Višemodalen AI model za visokoumničku generaciju slika sa jasnim prostornim razumijevanjem i točnom tekstualnom prikazom.

#9

Black Forest Labs

Najavljiva tehnološki startup koji se specijalizira na naprednim generativnim modelima za sintezu slika i videa.

#10

Veo 4

Generacija multi-shot filmskog AI videa s domaćim sinkroniziranim audio

#11

OpenArt

Kreativni AI paket za generiranje umjetnosti, videa i audio od teksta ili slika

#12

SuperAnnotate

Platfonta za konačan proces označavanja i upravljanja podacima za stvaranje kvalitetnih skupova podataka u cilju izgradnje sustava AI za obuku modela.

#13

Gemma 3

Otvorenog koda AI model optimiran za pojedinačnu performantu GPU, podržava multimodalne ulazne podatke i više od 140 jezika.

#14

GLM-4.6V

Otvoren-kodni multimodalni model GLM od Z.ai koji ujedinjuje viđenje, tekst i poziv programa za dugokontekstnu rezonanciju, pretragu, programiranje i UI-to-kod.

#15

HappyHorse

Otvoreni model za generiranje videa koji se parira sinhroniziranim zvukom iz jednog pokazivača

#16

OpenAI GPT-4

Izvori otvorenog sustava za multinomadno veliki model jezika za tekst, kôd i razumevanje slike.

#17

Codex CLI

Otvorena-vrata terminalni AI-assistent koji čita, piše i izvršava kôd lokalno s multimodalnim ulazom.

#18

LTX 2.3 Video Generator

AI video generator koji uvija tekstualne upuke, slike i audio u kohezične kratke klipse.

#19

MyShell

Bezkode plata AI za gradnju, dijeljenje i vlasništvo AI aplikacija.

#20

LiveKit Agents

Otvoreni framework programiranja u stvarnom vremenu višeznačajnih glasovnog i video-umjetničkih agenta AI

#21

Aivah

Spremanje interaktivnih AI avatar agenata za uvodljive digitalne izkustva

#22

Voice-gen.ai

Ujednačni platform za generaciju glasa AI-a, slika i videa u jednom radnom prostoru.

#23

WebVoyager

Uspješno LMM pokretan agent web-strani koji izvršava upite korisnika krajnje do kraja interakcijom sa realnim web-mjestimima.

#24

Jina AI

Zaklada za pretraživanje multimodalnih, uključujući integraciju modela embedinga, ponovnog redatelja i pipelineova RAG-a.

#25

Seedance 1.5 Pro

Plataforma za AI kreiranje videa s sinkroniziranim zvukom (glas, sinkronizacija uča, SFX) iz teksta ili slika, plus generirani slike i AI alate za uređivanje slika.