HyperAI超神经

HyperAI 超神经为大家整理了 12.8-12.12 期间一系列极具价值且应用广泛的教程和数据集，涵盖智能体、计算机视觉、TTS 等多个领域~

HyperAI 超神经为大家整理了 11.17-11.21 期间一系列极具价值且应用广泛的教程和数据集，涵盖计算机视觉、生物学、多模态等多个领域~

HyperAI 超神经为大家整理了 10.20-10.24 期间一系列极具价值且应用广泛的教程和数据集，涵盖生物医学、 HPC 、数学推理、文本信息抽取等多个领域~

HyperAI 超神经为大家整理了 10.13-10.17 期间一系列极具价值且应用广泛的教程和数据集，涵盖生物医学、视频生成、语言理解、文本识别等多个领域~

Qwen3-Omni-30B-A3B-Captioner 是由阿里巴巴通义千问团队发布的音频描述大模型，无需任何提示，该模型能够自动为复杂语音、影视声效等生成精准全面的描述，能识别说话人情绪、音乐元素（如风格、乐器）、敏感信息等，适用于音频内容分析、安全审核、意图识别、音频剪辑等多个领域。

HyperAI 超神经为大家整理了 9.8-9.12 期间一系列极具价值且应用广泛的教程和数据集，涵盖影像生成、生物学、逻辑推理等多个领域~

HyperAI 超神经为大家整理了 9.1-9.5 期间一系列极具价值且应用广泛的教程和数据集，涵盖图像编辑、多模态推理等多个领域~

HyperAI 超神经为大家整理了 8.18-8.22 期间一系列极具价值且应用广泛的教程和数据集，涵盖图像编辑、多模态推理等多个领域~

该模型不仅继承了前代 MiniCPM-V 2.6 强大的单图、多图和视频理解性能，在 OpenCompass 评估中图像理解能力超越了 GPT-4.1-mini-20250414、Qwen2.5-VL-3B-Instruct 和 InternVL2.5-8B 等主流模型，更实现了参数减半至 4.1B，大幅降低了部署门槛。该数据集包含了 42,390 个样本，涵盖 4 种环境场景（雨、雾、夜晚、雪、晴朗天气）、不同的物体类别（汽车、卡车汽车、自行车、摩托车、步行者、交通标志交通灯）。

HyperAI 超神经为大家整理了 8.4-8.8 期间一系列极具价值且应用广泛的教程和数据集，涵盖自动驾驶、语音模型等多个领域~

HyperAI 超神经为大家整理了 7.21-7.25 期间一系列极具价值且应用广泛的教程和数据集，涵盖音频分析、大模型等多个领域~

近年来，大语言模型（LLM）取得了突破性进展，能够胜任解答问题、内容创作等多样化任务，展现出了强大能力。Benchmark 作为评估 LLM 发展能力的重要工具，对于 LLM 的能力改进与提升具有参考性意义，但目前热门 Benchmark 在难度设计方面存在欠缺，表现为前沿 LLMs 在现有的许多评估中均取得相近且较高的评分，导致 LLM 能力衡量准确性受限，也因此模糊了大模型的能力提升空间。

来自 AMD 的 AI 架构师张宁，在「助力开源社区，剖析 AMD Triton 编译器」为题的演讲中，围绕公司在开源社区的技术贡献，系统解读了 AMD Triton 编译器的核心技术、底层架构支撑及生态建设成果，为开发者深入理解高性能 GPU 编程与编译器优化提供了全面视角。CIFAKE 是一个识别 AI 生成图像的合成数据集，该数据集是一个二分类图像数据集，对增强图像处理技术的鲁棒性、提升 AI 生成内容的辨识能力，尤其在新闻传播、社交媒体监控等领域，具有重要的实际应用价值。

HyperAI超神经为大家整理了一系列极具价值且应用广泛的数据集，涵盖生物视觉、医疗分析、图像生成和农业等多个领域~

Distill-Any-Depth 通过蒸馏算法整合多个开源模型的优势，仅需少量无标签数据即可实现高精度深度估计。

Seed-Coder-8B-Instruct 仅需极少的人力投入，即可让 LLM 自行高效地管理代码训练数据，从而显著提升编码能力。通过自身生成和筛选高质量训练数据，可大幅提升模型代码生成能力。

该数据集涵盖了多种化学成分和物理属性，每条数据对应一种独特的材料。该数据集重点关注 5-9 级难度的数学问题，涵盖代数、微积分、数论、几何、概率、离散数学等多个领域，侧重挑战复杂推理能力，该数据集还通过语义匹配针对常见基准进行了细致的去污染处理，最大限度减少测试集泄露并促进模型公平评估。该数据集将图像和文本数据相结合，模拟真实场景中的信息检索与生成任务，例如新闻事件分析、视觉问答等，着重评估 MLLMs 在多模态上下文中利用检索文档知识的能力，包括对图像内容的理解、图文关联推理以及事实判断等方面。

该模型在 LiveCodeBench v5 (8/1/24-2/1/25) 上实现了 60.6% 的 Pass@1 准确率，比基本模型 (53%) 提高了 8%，并且只用 14B 参数实现了与 OpenAI 的 o3-mini 相似的性能。该模型基于 Qwen2.5-VL 在 R1-Onevision 数据集上微调而成，擅长处理复杂的视觉推理任务，无缝整合视觉和文本数据，在数学、科学、深度图像理解和逻辑推理等领域表现出色，可作为强大的 AI 助手解决各种问题。近期，吉卜力风格的图像席卷各大社交媒体。

该数据集为 NVIDIA 于 GTC25 大会上发布的物理 AI 数据集，包含 15 TB 的数据，超过 320,000 条用于机器人训练的轨迹，以及多达 1,000 个通用场景描述 (OpenUSD) 资产，包括 SimReady 集合，涵盖了不同类型的道路和地理环境、不同的基础设施和不同的天气环境。数据集内含多个视觉场景，每个问题都配有 2 到 8 张图像，这些图像与文本交织在一起，形成复杂的多视觉场景，更贴近现实世界中的数学问题，能够有效评估模型处理多视觉信息的推理能力。

来自剑桥大学的研究团队提出了一个名为 Celcomen 的虚拟组织模型，不仅能估计环境对单个细胞的影响，还能推测单个细胞对其周围环境及整体组织的影响，研究人员通过自一致性合成数据和真实世界数据实验验证了 Celcomen 模型在因果结构学习和解开因果关系方面的可识别性以及在真实和自模拟的空间转录组学数据中解开并恢复基因-基因相互作用的能力。该数据集包含用于对不同类型的垃圾进行分类和检测的图像和 YOLO 格式的注释，类别分别为：塑料、纸张和纸板、玻璃/金属、有机、废物、纺织品和电子产品（电子垃圾）。

澳大利亚西澳大学等团队，提出了使用基于深度学习的自动化框架，该研究利用印度尼西亚一家医院的 200 次颅骨 CT 扫描，训练并测试了 3 种基于深度学习的网络配置，其中最准确的深度学习框架能够将性别和颅骨特征结合在一起进行判断，分类准确率可达 97%，显著高于人类观察者的 82%。R1-Onevision 数据集旨在赋予模型高级的多模态推理能力，它通过在自然场景、科学、数学问题、基于 OCR 的内容和复杂图表等多个领域的丰富、上下文感知的推理任务，弥合视觉和文本理解之间的差距。本文是数据集下载地址。

然而，YOLOv12 的推出改变了这一局面。澳大利亚西澳大学等团队，提出了使用基于深度学习的自动化框架，该研究利用印度尼西亚一家医院的 200 次颅骨 CT 扫描，训练并测试了 3 种基于深度学习的网络配置，其中最准确的深度学习框架能够将性别和颅骨特征结合在一起进行判断，分类准确率可达 97%，显著高于人类观察者的 82%。该数据集旨在通过高质量的标注数据，提升法律文书生成模型的性能，特别是在法律推理和文书撰写方面的能力，适用于法律智能系统、法律文书自动生成、法律问答系统等多种应用场景。

Owkin 公司立志实现生物学领域的首个AGI，已经解决了大众最担心的患者数据隐私问题，通过整合不同机构的多模态数据，为精准医疗提供了可靠的决策依据，助力乳腺癌、直肠癌等癌症的诊断和药物研发，已与赛诺菲、BMS 和阿斯利康等制药巨头合作。按照教程步骤操作，只需描述心中所想，即可生成高分辨率视频。它基于 Llama3.3-70B-Instruct 进行训练，采用强化学习和蒸馏技术提升推理表现，不仅继承了 Llama 系列模型的优势，还在此基础上进一步优化了推理能力，尤其在数学、代码与逻辑推理任务中表现突出。

去年 11 月，腾讯推出 Hunyuan3D 生成模型，是业界首个同时支持文字和图像生成 3D 的开源大模型。紧接着不到一个月，微软便发布了全新框架 TRELLIS，加入 3D 资产生成领域的竞争中。TRELLIS 支持多格式输出，包括辐射场、3D 高斯和网格，为不同需求提供最大灵活性。优质公共数据集：10 个优质教程精选：6 个社区文章精选：8 篇热门百科词条：5 条1 月截稿顶会：7 个。

MangaZero 数据集是一个专为漫画生成任务设计的大规模、多角色、多状态的漫画图像数据集，具体包含 43,264 页漫画和 427,147 个带注释的面板，支持在连续帧中可视化各种角色互动和动作，适用于多角色、多状态的漫画生成任务。该数据集是一个包含 3,371 张飞机图像的数据集，这些图像被分为 10 个类别文件夹，每个类别对应一个特定的飞机型号：A10、A400M、AG600、AH64、AV8B、An124、An22、An225、An72 和 B1 等。本文是对该公司的详细报道，点击速看。

11.18-11.22Weekly Highlights

11.11-11.15Weekly Highlights

10.21-10.25 Weekly Highlights!

近日，在上海交通大学 AI for Bioengineering 暑期学校活动中，钟博子韬博士以「AlphaFold 3：原理，应用与展望」为题，系统性地梳理了他的学习心得，并广泛整理了来自科研界的众多相关研究成果，向大家分享了他对于 AlphaFold 3 的深刻洞察，本文是演讲的核心内容梳理。复旦大学团队提出了一种新的微型化重构光谱仪设计，结合了传统光谱仪和计算重构光谱仪的优势，通过集成的自参考窄带滤波通道，使得人工智能算法可以在更高维度的参数空间进行光谱和算法参数的同时搜索。小模型又又又卷起来了！

近日，山东大学吕海泉、孙蓉、张凯及山西医科大学梅齐，联合螺旋矩阵公司等研究团队，取得了突破性进展，运用机器学习技术，基于 mRNA 的分析，成功开发了一种评估原发性乳腺癌患者样本中癌症干细胞特性的新方法 BCSC signature。本文是对研究论文的详细解读与分享。这个数据集包含了原始 Rider-Waite Tarot Deck 中 78 张牌的图像和相关文本描述，为研究者和艺术家提供了丰富的资源进行塔罗牌艺术和象征意义的探索，可用于训练模型生成塔罗牌风格的图像。本文是对研究论文的详细解读与分享。

7 月的 AI 圈真是卷完小模型卷大模型，精彩不停！大多数同学都能体验 GPT-4o、Mistral-Nemo 这样的小模型，但 Llama-3.1-405B 和 Mistral-Large-2 这样的超大模型让很多小伙伴犯了难。别担心！hyper.ai 官网在教程板块为大家提供了使用「Open WebUI」和使用「OpenAI 兼容 API 服务」两种方式启动这两个超大模型的教程！此外，还上线了...

该框架统一了神经网络中损失函数的最小化与密度泛函理论中的能量泛函优化，相比传统的有监督学习方法，具有更高的准确性和效率，为发展深度学习 DFT 方法开辟了一条新的途径。最终的基准包含 2,138 个问题三元组，总共 6,414 个不同的问题，涵盖不同主题和难度级别。PubMedVision 是一个大规模且高质量的医疗多模态数据集，研究团队通过精细的数据处理方法，从 PubMed 国际医学期刊的论文中筛选出与医疗相关的图片及有信息量的图片描述，有效过滤了大量医疗无关的图片和上下文不相关内容。

高质量的指令数据是训练和优化大语言模型不可或缺的资源，是提升模型性能的基石。该数据集是一个针对日文漫画的机器翻译评估数据集，包含五种不同风格（幻想、爱情、战斗、悬疑、生活）的漫画，数据集中共包含 1,593 个句子，848 个场景画面和 214 页漫画，由东京大学 Mantra 团队发布。该数据集是一个专注于城市建筑的图像数据集，它通常包含大量的城市建筑图像，这些图像可以用于训练和评估计算机视觉模型，特别是在建筑物检测、语义分割、实例分割等任务上，相关成果已收录于 CVPR 2024。

浙江大学 GIS 实验室的研究人员引入了一种神经网络方法，对观测点间的多种空间邻近性度量进行非线性耦合，得到优化的空间邻近性度量，提升了模型对房价预测的准确性。除了生成个性化人物照片以外，它还能改变人物的年龄和性别，整合不同人物的特征创造新的人物信息，是一款非常使用的 AI 绘画工具。PhotoMaker 是由腾讯与南开大学联合开发的 AI 图像生成工具，不仅能够捕捉人物的面部特征，还能根据喜好生成逼真的人物图像，将个性化定制推向了新高度。狗有 113 个 WAV 文件，对应 598 秒的音频。

近日，纽约大学计算机科学助理教授、Yann LeCun 的学生——Alfredo Canziani 公开了自己的春季「AI 课程」，内容覆盖离散概率和朴素贝叶斯、感知机和逻辑回归、优化、统计和神经自然语言处理、神经网络分类、循环神经网络和卷积神经网络等主题。该数据集是一个包括 3,300 名受试者的视网膜神经疾病（青光眼）数据集，含有 2D 和 3D 图像数据，数据集中包含了来自 3 个主要种族群体（白人、黑人和亚洲人）相等数量的受试者，这避免了可能混淆公平学习问题的数据不平衡问题。

它能够轻松将单色图像赋予丰富的色彩，或将简单的草图转换为逼真的图像。本文是该研究的详细解读和分享。该数据集主要覆盖木质山区，树木密度较低且地形复杂，包含总计 98,949 颗树木的 1,350 张图像训练集和 1,350 张图像测试集，每张图像的平均包含 36 棵树木，为模型在复杂地形中的性能提供了重要的测试环境。该数据集涵盖了 70 种不同的语言，为低资源语言提供了更多的训练数据，含共计 182,000 个指令微调对，旨在提升大型语言模型在遵循指令方面的性能，特别是在多样化的语言和任务上。

MMUD 中的问题涉及 2 到 20 张图像，平均图像和文本标记长度为 8.2K 个标记，最大图像和文本长度达到 18K 个标记，对现有的多模态大型模型提出了重大挑战。华中科技大学白翔、刘禹良研究团队联合阿德莱德大学、安阳师范学院、华南理工大学，利用基于图像的生成模型，训练出了一种针对甲骨文破译优化的条件扩散模型 OBSD，为自然语言处理难以解决的古文字识别任务提供了一种新颖的方法。它允许使用少量图像来训练模型，使其能够在多种不同的情境中生成该特定个体的图像，同时保持其关键的视觉特征。

该数据集是一个为遥感图像理解设计的多用途视觉-语言基准数据集，包含 29,614 张经过人工验证的详细字幕图像、52,472 个对象引用和 123,221 个问答对，旨在推进通用的、大规模的遥感图像视觉-语言模型的发展。该数据集是一个专为微调大语言模型而设计的数据集，包含了大量的问答对数据，每个问题都有中文和英文两个版本的答案，并且答案中融入了趣味幽默的元素，包括表情符号 (emoji) 的使用。BoWFire 数据集是一个专门用于火焰检测的图像数据集，旨在提高火灾检测的准确性并减少误报。