阿里巴巴开源能理解图像的 AI 模型 Qwen-VL

阿里巴巴开源能理解图像的 AI 模型 Qwen-VL 阿里巴巴周五开源了能理解图像和完成更复杂对话的 AI 模型和 Qwen-VL-Chat。阿里巴巴称，Qwen-VL 基于 Qwen-7B，可以以图像、文本、检测框作为输入，并以文本和检测框作为输出，它使用了约 1.5B 的图文数据训练。在四大类多模态任务的标准英文测评中上，Qwen-VL 均取得同等通用模型大小下最好效果；支持英文、中文等多语言对话，端到端支持图片里中英双语的长文本识别；支持多图输入和比较，指定图片问答，多图文学创作等；相比于目前其它开源 LVLM使用的 224 分辨率，Qwen-VL 是首个开源的 448 分辨率的 LVLM 模型。更高分辨率可以提升细粒度的文字识别、文档问答和检测框标注。Qwen-VL 和 Qwen-VL-Chat 使用名为 Tongyi Qianwen LICENSE AGREEMENT 的许可证，有限制条件，如果商业使用，则需要从阿里巴巴获得授权。来源 ， 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot

Meta 开源发布可分割识别任意图像中主体的 SAM 模型

Meta 开源发布可分割识别任意图像中主体的 SAM 模型 已经理解了对象是什么的一般概念，可以直接对没见过的图像进行分割任务 (识别像素属于哪个对象)。Meta 还同时开源发布了比任何现有分割数据集大400倍的 SA-1B 数据集。 SAM 可以成为庞大AI系统的一部分，用于对世界进行多模态理解，例如理解图像和文本。SAM 可以在 AR/VR 中根据用户的视线选择对象，进行识别查询或者3D建模。SAM 可以进行智能抠图或视频后期。SAM 还可用于地球与太空的科学任务，对动物和物体进行定位，例如细胞显微镜，牧场的动物识别，天体运行跟踪。

AI识别唇语：Meta 开源第一个视听语言翻译语料库 MuAViC

AI识别唇语：Meta 开源第一个视听语言翻译语料库 MuAViC MuAViC 源数据来自 TED 和 TEDx 超过8000名演讲者的视频，提供了9种语言的1200小时的音频-视觉语料，包括英语、阿拉伯语、德语、希腊语语、西班牙语、法语、意大利语、葡萄牙语和俄语。 MuAViC 支持多种任务，如自动语音识别、唇读、机器翻译和端到端的语音到文本翻译。Meta 的开源模型 AV-HuBERT 经过 MuAViC 训练后，在嘈杂环境中的表现远优于其它领先的翻译模型。

Google 开源 Paranoid，可识别加密制品的漏洞

Google 开源 Paranoid，可识别加密制品的漏洞 Paranoid 支持测试多个加密制品，其中包括如数字签名、通用伪随机数和公钥，以识别由编程错误或使用弱的专有随机数生成器造成的问题。 甚至是那些由未知实现的系统（Google 将其称之为 “黑盒子”，其源代码无法被检查）生成的制品，Paranoid 也可以检查。

Dot（又名 Deepfake Offensive Toolkit），是 GitHub 上一个开源的 Deepfake AI 换

Dot（又名 Deepfake Offensive Toolkit），是 GitHub 上一个开源的 Deepfake AI 换脸攻击工具包。 针对身份验证、视频会议系统等渗透测试工作而生，可供安全分析师、红队成员和生物识别研究人员使用 | #工具

资源：《Umi-OCR v2.1.4 开源批量文字识别 支持图片，文档，二维码，截图》

资源：《Umi-OCR v2.1.4 开源批量文字识别 支持图片，文档，二维码，截图》 简介：Umi-OCR v2.1.4是一款开源的文字识别软件，支持对图片、文档、二维码和截图进行批量文字识别。它具有高识别准确率，能快速将识别内容转化为可编辑文本，方便用户处理大量文字资料，广泛应用于办公、学习等场景 标签： #Umi-OCRv2.1.4 #文字识别 #开源软件 #批量处理 文件大小 NG 链接：https://pan.quark.cn/s/de6338240810