#Multimodal

#1

OpenAI Advanced Voice

Valós időben, természetes hangnemű szóbeszélés a ChatGPT-vel

#2

ScreenAgent

Nyílt forráskódú VLM ügynök a számítógépes GUI-k ellenőrzéséhez egér/ billentyűs rendszer tervezésével és végrehajtásával.

#3

Grok 2

xAI érvelés-központú chatbotja a képről szóló kép és többmoduláris bemeneti támogatással.

A készülék felületén futó AI futtató, ami modellt futtatott helyben a telefonokon, számítógépeken és perifériás berendezéseken át.

#5

Project Astra

A Google DeepMind által fejlesztett univerzális mesterséges intelligencia-agyunk, ami érzékeli, hallja, és a világot a valós időben értelmezi.

#6

OmniVision

Lélegzetelállító kis méretű látóképvélemény modell a felhőtlen és szélső AI kiépítéshez.

#7

Humain AI

Egy számmal támogatott AI céget építenek és nagyteljesítményű multimodális arab LLM-kat világszintű AI szolgáltatásokhoz.

#8

Uni-1 by Luma AI

Multimódus AI modell a magas felbontású, valósághű képgenerálásra és jó térbeli érzékenységre.

#9

Black Forest Labs

Pioneerező AI startup, amely a kiváló minőségű kép- és videószimulációs modelljeinek kidolgozásában specialization.

#10

Veo 4

Négyes löketekkel készítődik a filmes AI videógeneráció, natív szinkronizált hanggal

#11

OpenArt

Kreatív AI-suite a kép, video és hangok megteremtésére szöveg vagy képeken alapulóan

#12

SuperAnnotate

Végponttól végpontig tartó adatannotálás és -kezelési platform a magas minőségű AI-képzési adathalmazok építéséhez.

#13

Gemma 3

Egy nyílt forráskódú AI modell, amelyet egyetlen GPU teljesítményére optimalizáltak, támogatja a multimodális bemeneteket és több mint 140 nyelvet.

#14

GLM-4.6V

Nyílt forráskódú multimodális modell a Z.ai-től a látási, szövegszimuláció és eszközhívás egyesítésével a hosszú kontextusú érvelés, keresés, kódolás és UI-to-kódra.

#15

HappyHorse

Nyíltforráshoz tartozó modell, amely egyetlen indítószóból generált videóval és hozzárendelt hanggal jelenik meg.

#16

OpenAI GPT-4

OpenAI multimodális nagy nyelvszkennelő modelle a szöveg, kód és képi értelmezéshez.

#17

Codex CLI

Nyílt forráskódú terminálszintű AI-asszisztens, amely olvas, ír és fut lokálisan multimodális bemenettel.

#18

LTX 2.3 Video Generator

Az AI által generált videó, amely összehangolja a szöveges promptokat, a képét és a hangot összehangolt rövidformátumú klipekbe.

#19

MyShell

Nem-kódolásos AI-consumer platform a kívánt AI alkalmazások létrehozására, megosztására és megszervezésére.

#20

LiveKit Agents

Nyílt forráskódú keretrendszer a valós időben, multimodális hang- és videó AI ügynököket építéséhez.

#21

Aivah

Interaktív AI avatarügynökök építése a lebilincselő digitális élményekhez

#22

Voice-gen.ai

Egyedi platform az AI generálta hangfolyamok, képek és videók megvalósításához egy munkaterületről.

#23

WebVoyager

Egy LLM-alapú webes ügynök, amely a felhasználói utasítások végrehajtására szolgál valódi világi honlapokkal való interakcióval.

#24

Jina AI

Multimodal keresési alap a beágyazások, újrakeresések és RAG áramlások számára.

#25

Seedance 1.5 Pro

Platform az AI-teremtéshez, amely videókat generál hanggal és képpel együtt, a szövegből vagy képből született, plusz kép és AI kép szerkesztő eszközökkel