多模态AI

O OmniHuman-1 字节跳动智能创作团队公布的人体视频生成研究项目，用单张人像配合音频、视频或两者组合驱动，生成说话、唱歌的动态人像，覆盖卡通形象与复杂姿态，适合数字人方向研究者对照方法、评估效果边界。 中关村科金要登录 企业级 AI 平台服务商，把大模型能力拆成可组合模块，一个 API Key 可调用 DeepSeek、Qwen、GLM、Kimi 等主流模型，并提供智能外呼、智能客服、销售陪练等场景应用，适合银行、公安等机构按需对接交付整套方案。 通 通义千问可选登录 阿里旗下的 AI 助手，把对话问答、边搜边总结的 AI 搜索、按主题生成 PPT 和断网录音自动整理纪要收在同一页面，适合学生整理课堂录音、职场人赶汇报初稿。 智元机器人 智元创新（上海）科技股份有限公司的具身智能机器人产品线，整机覆盖远征、灵犀、精灵、酷拓等系列，配套 Genie Studio 开发平台与 Link-U OS 等软件层，适合高校实验室采购整机后做具身智能课题研究。 博查AI搜索 博查出品的 AI 搜索引擎，提供干净准确的搜索 API 与多模态结果，并内置餐厅、酒店、机票、文档、学术等智能体，适合开发者给 AI 应用补充实时外部信息，或普通用户用一句话查附近拉面馆、航班和论文。 汇智智能 江苏汇智智能数字科技有限公司的 AI 业务品牌，自研 CarrotAI 多模态大模型，提供零代码智能体搭建平台与多模型调度服务，适合企业团队把业务流程交给智能体自动跑。 MonkeyOCR免费 开源的文档解析模型，用「结构-识别-关系」三元组路线把 PDF、扫描件转成结构化文本，提供解析脚本和本地 API 服务，1.2B 版本在中文文档上比 3B 更快且更准，适合做合同、论文、报表批量入库的团队自备 GPU 搭流水线。 Duix有免费版 可视化 AI 数字人对话平台，提供库存头像与自定义形象、声音和对话逻辑，支持实时口型表情互动与 API/SDK 接入，适合给客服、招聘或教学产品加一个能露脸说话角色的团队先用免费档试库存头像。 豆包 豆包旗下的一款智能编程助手，旨在通过AI技术提升开发者的编程效率和代码质量 Qwen Chat 通义千问（Qwen）系列的官方对话平台，把开源与自研模型放在同一入口，支持聊天、图像与视频理解、图像生成编辑、文档处理和语音视频对话，适合想直接用 Qwen 模型、不愿自己部署的人打开网页就提问。 小爱同学免费 小米科技推出的智能语音助手，支持屏幕内容识别、文档总结、语音记证照日程，并能跨手机、电视、音箱和小米汽车控制设备，适合小米生态用户用一句话完成手机和智能家居的琐碎操作。 Pixelle MCP免费 ATH-MaaS 出品的开源全模态 AIGC 框架，把 ComfyUI 工作流封装成 MCP 工具供大模型调用，支持本地与云端两种运行方式，适合已经会用 ComfyUI、想让大模型自动执行工作流的开发者。 纳米AI可选登录 网页端的 AI 工作台，接入 DeepSeek、通义千问等十六家大模型，把聊天、搜索、写作、修图、视频生成和 PPT 制作收进同一个对话，多智能体可协作完成一句话指令，适合运营和设计人员快速出营销素材、产品图与短视频。 MMAudio免费 由 UIUC 与索尼 AI 等机构开源的多模态音频生成模型，能按无声视频自动配同步音效，也能由一句文字描述生成音频，仓库提供命令行与 Gradio 界面，适合有 GPU 和命令行经验的研究者在 Ubuntu 上本地跑推理。 UI-TARS 字节跳动 Seed 团队推出的原生 GUI 智能体模型，通过视觉识别界面元素并执行点击、输入，适合想自行部署、做「让模型自己操作软件」实验的研究者与开发者。