博客 / 詳情

返回

Open-AutoGLM 實現手機端自主操作；PhysDrive 數據集採集真實駕駛生理信號

公共資源速遞

5 個公共數據集：

  • FirstAidQA 急救知識問答數據集
  • PhysDrive 駕駛員生理測試數據集
  • PolypSense3D 息肉尺寸感知數據集
  • Envision 多階段事件視覺生成數據集
  • Care-PD 帕金森三維步態評估數據集

8 個公共模型：

  • SAM 3
  • Z-Image-Turbo
  • Ovis-Image-7B
  • Ministral-3-14B
  • LongCat-Image
  • Open-AutoGLM
  • VibeVoice-Realtime-0.5B
  • Eigen-Banana-Qwen-Image-Edit

5 個公共教程：

  • RFdiffusion3：蛋白質設計模型
  • Open-AutoGLM：手機端智能助理
  • MarkItDown 微軟開源的文檔轉換工具
  • LongCat-Image：雙語文本驅動圖像生成系統
  • LightOnOCR-1B-Interface：面向複雜文檔的高速 OCR 引擎

訪問官網立即使用：http://openbayes.com

公共數據集

1. FirstAidQA 急救知識問答數據集

FirstAidQA 包含 5,500 條高質量文本問答對，全部圍繞急救與應急響應場景構建。數據內容覆蓋急救操作流程、緊急處置方法與安全注意事項，問答結構清晰、專業性強。所有樣本均基於權威急救教材生成，文本形式統一，適合用於急救知識問答與應急場景下的語言模型訓練與評測。

在線使用：

https://go.openbayes.com/kVEdl

2. PhysDrive 駕駛員生理測試數據集

PhysDrive 包含約 24 小時（約 150 萬幀）的多模態駕駛數據，採集自 48 名駕駛員的真實駕駛過程。每位受試者完成 6 個約 5 分鐘的駕駛片段，覆蓋多種光照條件、車型、駕駛動作與道路環境。數據同步提供 RGB 視頻、近紅外視頻與毫米波雷達信號，並配套多類生理真值標註，適合用於非接觸式生理測量與駕駛員狀態分析。

在線使用：

https://go.openbayes.com/Qe9U0

數據集示例

3. PolypSense3D 息肉尺寸感知數據集

PolypSense3D 是一個多源內鏡數據集，由虛擬仿真、實體仿體與真實臨牀三類數據組成。虛擬數據包含 32,000+ 幀，提供 RGB、密集深度、分割掩碼與相機參數；實體仿體數據基於 3D 打印結腸模型採集，包含精確尺寸標註；臨牀數據來自真實內鏡檢查，提供凍結幀、分割結果與基於校準器具的尺寸標註，適合用於息肉檢測、深度估計與尺寸測量研究。

在線使用：

https://go.openbayes.com/a9iPA

4. Envision 多階段事件視覺生成數據集

Envision 數據集由 1,000 個完整事件序列與 4,000 條四階段文本提示組成，每個事件被拆分為多個時間階段，形成明確的階段遞進結構。數據覆蓋自然科學與人文歷史等六大領域，事件素材來源於教材與公開資料，並經過統一生成與潤色，強調因果關係與多階段演化，適合用於事件理解與多階段生成任務。

在線使用：

https://go.openbayes.com/PYeFr

數據集示例

5. Care-PD 帕金森三維步態評估數據集

CARE-PD 包含 362 名受試者的步態數據，來源於 8 個臨牀機構、9 個獨立隊列，是目前公開規模較大的帕金森病三維步態數據集。所有原始視頻與動作捕捉數據均被統一轉換為匿名化的 SMPL 三維人體步態網格。數據集由 9 個子集構成，涵蓋不同藥物狀態、步態亞型與臨牀評分信息，適合用於步態建模、疾病評估與跨隊列分析研究。

在線使用：

https://go.openbayes.com/YrC2A

公共模型

1. SAM 3

發佈機構： Meta AI

SAM 3 是新一代通用視覺分割模型，引入「可提示概念分割」機制，可通過自然語言或示例圖像指定分割目標。模型能夠在圖像與視頻中自動檢測、分割並持續追蹤同一概念下的所有實例，並具備良好的零樣本泛化能力，同時擴展支持 3D 場景理解，在通用分割與複雜視覺理解任務中表現突出。

在線使用：https://go.openbayes.com/vpxfY

2. Z-Image-Turbo

發佈機構： 阿里通義實驗室

Z-Image-Turbo 總參數規模為 6B，基於單流擴散 Transformer（S3-DiT）架構，在極少採樣步數下實現高質量圖像生成。模型僅需約 8 步推理即可輸出接近印刷級質量的圖像，在推理速度與硬件成本方面具備顯著優勢，同時在中文提示詞理解與中英文字渲染方面表現突出。

在線使用：https://go.openbayes.com/HGdWh

3. Ovis-Image-7B

發佈機構： Ovis

Ovis-Image-7B 是一款參數規模為 7B 的文本生成圖像模型，針對文本渲染任務進行了專項優化。模型在文字密集、版式敏感的提示詞場景中具備穩定表現，能夠準確生成清晰可辨的文本內容，併兼顧整體視覺一致性，在較低資源條件下也具備良好的部署與推理效率。

在線使用：https://go.openbayes.com/cK8SC

4. Ministral-3-14B

發佈機構： Mistral AI

Ministral-3-14B 是一款 14B 參數規模的多模態對話模型，在保持輕量化體量的同時實現了較強的指令遵循與多輪對話能力。模型支持較長上下文窗口，並在推理效率與部署友好性方面表現平衡，適合本地 AI 應用開發、對話系統構建與二次研究。

在線使用：https://go.openbayes.com/iITIL

5. LongCat-Image

發佈機構： 美團 LongCat 團隊

LongCat-Image 是一款 6B 參數規模的圖像生成與編輯基礎模型，在中英文雙語文本理解與文字渲染方面具備明顯優勢。模型在保持較高生成效率的同時，實現了真實感較強的視覺輸出，並在多項生成與編輯任務中表現穩定，適合多語言內容生成與圖像編輯場景。

在線使用：https://go.openbayes.com/PjpLD

6. Open-AutoGLM

發佈機構：智譜 AI

Open-AutoGLM 是一款具備手機端操作能力的多模態智能體模型，能夠理解真實手機屏幕內容並自動執行點擊、滑動與輸入等操作。模型採用「感知–規劃–行動–反思」的執行框架，可穩定完成多步驟、跨應用的複雜任務，並支持敏感操作確認與人工接管，適用於移動端自動化與智能助理研究。

在線使用：https://go.openbayes.com/mn9Ot

7. VibeVoice-Realtime-0.5B

發佈機構： Microsoft

VibeVoice-Realtime-0.5B 參數規模為 0.5B，是一款專為超低延遲交互設計的實時文本轉語音模型。該模型支持流式推理，可在約 300 毫秒內完成語音生成，並支持長時間音頻輸出與多説話人自然對話，在極低計算開銷下實現高保真語音合成。

在線使用：https://go.openbayes.com/16kcX

8. Eigen-Banana-Qwen-Image-Edit

發佈機構： Eigen AI

Eigen-Banana-Qwen-Image-Edit 是基於 Qwen-Image-Edit 的圖像編輯 LoRA 權重，針對文本引導的高質量圖像編輯任務進行了優化。模型在較少推理步驟下即可完成物體操作、風格遷移等多類編輯任務，並保持良好的編輯一致性，適合快速、交互式的圖像編輯應用。

在線使用：https://go.openbayes.com/3xmgy

公共教程

1. RFdiffusion3：蛋白質設計模型

RFdiffusion3 是一款全原子級蛋白質生成模型，能夠在嚴格的空間與化學約束下直接建模分子間相互作用。模型支持精細到原子級的結構控制，可在設計階段同時考慮穩定性、功能性與結合位點構型，在複雜生物分子設計任務中具備較強的生成能力與靈活性，適用於高精度蛋白設計與結構研究。

在線運行：

https://go.openbayes.com/STGlr

2. Open-AutoGLM：手機端智能助理

Open-AutoGLM 通過多模態模型對手機屏幕進行感知，並結合規劃與執行機制實現端到端自動化操作。系統可在無需預定義腳本的情況下理解真實應用界面，並動態生成操作步驟，同時支持安全確認與人工介入，在複雜、多變的移動端場景中具備良好的泛化與可控性，適用於智能助理與自動化交互探索。

在線運行：

https://go.openbayes.com/3x4GU

3. MarkItDown 微軟開源的文檔轉換工具

MarkItDown 面向大模型應用場景設計，強調在文檔轉換過程中最大程度保留結構與語義信息。工具可穩定提取標題層級、列表關係、表格結構與鏈接引用，避免傳統純文本轉換造成的信息丟失，使複雜文檔更適合作為 LLM 的輸入格式，適用於文檔理解與知識處理流程。

在線運行：

https://go.openbayes.com/NuoO8

項目示例

4. LongCat-Image：雙語文本驅動圖像生成系統

LongCat-Image 是一款支持中英文雙語的圖像生成與編輯模型，在文本到圖像生成任務中兼顧生成質量與效率。模型在中文文本渲染準確性與覆蓋度方面表現突出，並在較小參數規模下實現高真實感的視覺輸出，適用於多語言內容生成與視覺創作場景。

在線運行：

https://go.openbayes.com/t4VCv

項目示例

5. LightOnOCR-1B-Interface：面向複雜文檔的高速 OCR 引擎

LightOnOCR-1B-Interface 基於端到端視覺–語言模型構建，可直接從高分辨率頁面中完成佈局感知文本解析。系統在表格、多欄排版與掃描文檔等複雜結構下保持穩定表現，併兼顧處理速度與解析精度，適用於大規模文檔解析與自動化 OCR 任務。

在線運行：

https://go.openbayes.com/MvFv5

機器學習 , pytorch , 自然語言處理 , 人工智能 , 深度學習
user avatar
0 位用戶收藏了這個故事！

發佈 評論

Some HTML is okay.