DeepSeekOCR

中国大模型大全，全面收集有明确来源的大模型情况，包括机构、来源信息和分类等，随时更新。旨在记录中国大模型发展情况，欢迎在Issues中提供提供线索和素材。 中国大模型列表网站网址：https://github.com/wgwang/awesome-LLMs-In-China

Whisper 是 OpenAI 开发的一款基于深度学习技术的自动语音识别（ASR）系统，旨在将语音转换为文本，提供高质量、准确的语音识别功能。Whisper 模型通过大规模多语言和多任务监督数据训练而成，这些数据包括从网络收集的 680,000 小时的语音数据，覆盖多种语言和场景，使其在处理口音、背景噪音和技术语言方面表现出色。 Whisper官网入口网址：https://openai.com/index/whisper/Whisper开源项目地址：https://github.com/openai/whisper Whisper 是一个开源模型，支持多种语言的语音识别和翻译功能，包括中文。用户可以通过其 API 接口或 Web 界面进行操作，实现语音到文本的转换。此外，Whisper 还支持实时语音翻译服务，帮助用户进行跨语言交流。Whisper 的设计注重鲁棒性，能够在复杂环境下准确识别语音，并支持多任务学习方式，简化了传统语音处理流程。 Whisper 的官网地址为：https://openai.com/research/whisper ，用户可以在此获取更多详细信息和使用教程。此外，GitHub 上也提供了 Whisper 的项目源码，方便开发者进行二次开发和本地部署。 Whisper 的应用场景非常广泛，包括语音助手、语音翻译应用、语音分析与处理领域等。它不仅能够识别和转换多种语言的语音，还能提取语音特征和分割语音片段，为用户提供智能化的语音交互体验。Whisper 的开源特性使其成为研究者和开发者的理想选择，也为进一步研究鲁棒语音处理奠定了基础。 Whisper 是一款功能强大且灵活的语音识别工具，适用于各种需要语音转文本或语音翻译的场景。其开源和多语言支持的特点使其在全球范围内受到广泛关注和应用。

Veo3 是由 Google DeepMind 推出的新一代视频生成模型该模型能够通过文本或图像提示生成高质量、逼真的短视频，并且支持生成同步音频、背景音效和对话，从而提升视频的真实感和沉浸感。 Veo3官网入口网址：https://deepmind.google/models/veo/ Veo3 在多个方面实现了技术上的突破。例如，它在视频生成的真实感、物理模拟、唇形同步以及音频生成方面都有显著提升。此外，Veo3 能够处理复杂的提示，支持多元素输入，如摄像机参数、叙事对话和风格方向，从而实现更丰富的创作可能性。 Veo3 不仅提升了视频生成的效率和质量，还为影视、广告、教育等多个领域提供了新的创作工具。 Veo3 是 Google DeepMind 推出的新一代视频生成模型，它在视频生成技术上实现了多项突破，为视频创作和内容生成带来了新的可能性。

BuboGPT 是由字节跳动推出的一款多模态大型语言模型（LLM），旨在整合文本、图像和音频等多种输入形式，实现跨模态的细粒度理解与交互。该模型不仅能够处理对齐或未对齐的任意图像音频数据，还能通过语言描述准确识别声音来源，甚至在图像中定位具体对象的位置。 BuboGPT官网入口网址：https://bubo-gpt.github.io/ BuboGPT项目主页：https://github.com/magic-research/bubogpt BuboGPT 的核心功能包括多模态理解、视觉对接、音频理解以及对齐与非对齐理解。它通过先进的算法，将文本中的特定元素与图像中的相应掩码进行匹配，从而实现精确的视觉定位。例如，用户可以上传一张图片并询问相关问题，BuboGPT 能够准确指出图片中提到的对象位置，并描述其上下文信息。此外，BuboGPT 还能够捕捉并描述音频中短暂片段的声音细节，即使音频与图像之间没有直接联系，也能合理推测两者之间的可能关系。 BuboGPT 的开发团队采用了两阶段训练方案和指令数据集，使其具备联合文本、图像和音频理解的能力。模型的架构包括标记模块、定位模块和实体匹配模块，通过这些模块，BuboGPT 能够在不同模态之间建立联系，实现跨模态理解。 BuboGPT 的开源代码和数据集已经发布，用户可以通过 GitHub 访问并体验其功能。此外，BuboGPT 还提供了 demo 版本，用户可以在 demo 中上传图片或音频，体验其多模态输入处理能力。 BuboGPT 的应用场景非常广泛，包括但不限于内容创作、智能问答、逻辑推理和代码生成等。例如，在内容创作方面，BuboGPT 可以根据用户指令生成文案大纲和广告文案；在智能问答方面，它能够快速获取生活常识和工作技能，助力解决各类问题；在逻辑推理方面，BuboGPT 能够进行思维、常识和科学推理；在代码生成方面，它具备代码生成能力和知识储备。 BuboGPT 通过其独特的多模态输入处理能力和强大的对话能力，为用户提供了前所未有的交互体验。无论是文本、图像还是音频，BuboGPT 都能够高效地理解和处理这些信息，为用户提供精准的回应和建议。

MMAudio 是一项由伊利诺伊大学厄巴纳-香槟分校、索尼人工智能和索尼集团等机构合作开发的前沿研究项目，其核心目标是通过多模态联合训练（Multimodal Joint Training）实现高质量的视频到音频合成（Video-to-Audio Synthesis）。该项目发表于CVPR 2025，标志着其在多模态学习和生成式AI领域的突破性进展。 MMAudio官网入口网址：https://hkchengrex.com/MMAudio/MMAudio开源项目地址：https://github.com/hkchengrex/MMAudio MMAudio 的核心创新在于其能够根据输入的视频和/或文本信息，生成与之同步的高质量音频输出。这一能力在多媒体内容生成、虚拟现实、影视制作、虚拟主播等领域具有广泛的应用前景。例如，用户可以通过输入一段视频或文本描述，系统即可自动生成与之匹配的音频内容，从而实现更自然、更真实的多媒体内容生成。 该项目不仅在技术上具有高度创新性，还提供了丰富的资源支持，包括论文、代码、Huggingface Demo、Colab Demo 和 Replicate Demo，方便研究人员和开发者快速上手和实验。此外，项目团队还提供了详细的论文和演示视频，便于用户深入了解其技术细节和应用场景。 MMAudio 代表了多模态学习和生成式AI领域的重要进展，为未来多媒体内容的生成和交互提供了新的可能性。

Kimik2（Kimi K2）是月之暗面（Moonshot AI）发布的一款开源大语言模型，是一款基于Transformer架构的万亿参数大语言模型，具备强大的文本处理能力，尤其在长文本处理、代码生成、多语言支持、创意写作等方面表现突出。其模型架构采用MoE（Mixture of Experts）架构，拥有1万亿参数，激活参数为32B，支持高效训练和推理。Kimik2在多个基准测试中表现优异，例如在GLUE基准得分92.5、SQuAD 2.0得分94.1、HumanEval编码问题解决率78%等。 kimik2官网入口网址：https://moonshotai.github.io/Kimi-K2/kimik2开源项目地址：https://github.com/moonshotai/Kimi-K2 Kimik2在技术上具有多个亮点。首先，其长上下文处理能力强大，支持200万字的上下文窗口，适合处理长文档、代码分析、文档问答等场景。其次，其智能体（Agent）能力提升明显，能够自主规划、推理并执行多步骤任务，展现出真正的智能体行为。此外，Kimik2支持多种语言和多模态内容处理，适用于客户服务、内容创作、教育、金融、医疗、法律等多个领域。 Kimik2的开源特性也是一大亮点。其开源协议为商业友好，允许开发者检查、修改和扩展模型能力，适用于科研与自定义场景及问答与Agent任务。Kimik2的开源版本包括基础预训练模型Kimi-K2-Base和指令微调版本Kimi-K2-Instruct，分别适用于不同应用场景。 Kimik2的部署灵活性较高，支持多种硬件环境，包括笔记本和企业级服务器，支持4-bit量化部署，适合不同规模的用户使用。此外，Kimik2在训练过程中采用了MuonClip优化器，实现了高效稳定的训练过程。 Kimik2的发布标志着中国AI领域在大模型研发上的重要突破，其性能在多个方面与国际顶尖模型如Claude 4、GPT-4.1等相媲美，尤其在编程与推理能力方面表现突出。Kimik2的推出不仅提升了中国在AI领域的国际影响力，也为全球AI研究和应用提供了新的可能性。 Kimik2官网（https://moonshotai.github.io/Kimi-K2/ ）提供了详细的模型介绍、技术文档、开源资源和使用指南，用户可以通过官网了解如何部署、使用和定制Kimik2模型。官网还提供了丰富的示例和案例，帮助用户快速上手和应用Kimik2的各项功能。 Kimik2作为一款高性能、开源的大语言模型，凭借其强大的技术能力、灵活的部署方式和广泛的适用性，正在成为AI领域的重要力量，推动智能体时代的到来。