腾讯ARC发布先进的图像修复与编辑AI工具，Groq Chrome扩展总结网页内容，Gemini 2.0 AI模型进行语音对话
本文介绍了5个AI项目：BrushEdit用于图像修复与编辑；ColorFlow用于自动彩色化黑白图像序列；Gemini Multimodal Playground支持语音对话的Python应用；Groq Summary Chrome Extension提升网页内容总结体验；DreamRunner生成精细叙事视频。
每日AI新工具
端到端的自主驾驶DiffusionDrive，基于 Ollama 的大语言模型（LLMs）的管理
DiffusionDrive是一种新型截断扩散模型，旨在实现端到端的自主驾驶，其在NAVSIM上的PDMS提升了3.5分，提高了64%多样性，并实现了88.1 PDMS记录和45fps实时运行速度。
DeepSeek-VL2开源MoE 视觉语言模型家族，Gemini英语口语助手，将 PDF 文档转换为互动式思维导图
本文介绍了DeepSeek-VL2、Leffa、小红书笔记生成器、Gemini 英语口语助手和PDF Mind Map Maker等创新技术与应用。它们涵盖多模态视觉-语言模型、可控人物图像生成框架、笔记生成工具及AI英语口语辅助等多个领域，提供高效便捷的功能以提升用户在不同场景下的工作效率和体验质量。
Gemini 2.0刚发布多模态模式马上开源，自动生成模仿X上用户的AI对话机器人，独立艺术生成设备PaperPiAI
文章介绍了5个项目：Gemini Multimodal Live API + Pipecat聊天应用入门套件、MCP Directory Minecraft服务器目录、PaperPiAI基于Raspberry Pi的独立艺术生成系统、Research Rabbit AI驱动网络研究助手以及Reply gAI个性化回复工具。
CodeArena让大型语言模型竞赛并实时显示排名，完全开源的 AI 桌面机器人Desk-Emoji
本期内容包括CodeArena、ChatTTSPlus、Desk-Emoji、LLMOps Python Package和Python-genai五个项目。它们分别提供了大型语言模型竞赛、语音合成增强版、AI桌面机器人、LLM全生命周期管理工具包以及Google生成式AI SDK，覆盖了模型比较、加速技术、交互式应用等多个方面。
视频代理框架Director处理复杂的视频任务，Day 3 OpenAI 布了 Sora
Director是一个视频代理框架，用于处理复杂的视频任务；Clevrr Computer是通过PyAutoGUI实现高效系统操作；实时个性化推荐系统课程涵盖H&M时尚商品的推荐系统的构建与部署；RAGLite支持PostgreSQL和SQLite数据库的数据检索增强生成；sora提供分辨率高达1080p、功能丰富的视频转换工具，包括文本转视频、图像转视频等。
23k star 的智能求职助手，Obsidian 的插件AI撰写内容并引用笔记库中的信息，直接在浏览器中去除图像背景
Auto_Jobs_Applier_AI_Agent是基于人工智能的求职助手，提升求职效率。Smart Composer 是一款Obsidian插件，帮助用户高效撰写内容。Image Background Remover in the Browser是一款去除图像背景的应用程序。ControlFlow是一个Python框架，用于构建智能工作流。O1-CODER结合强化学习和蒙特卡洛树搜索生成代码模型，旨在提升系统化推理能力。
DeepMind 发布中期天气预报模型GenCast，OpenAI十二天的第一天，微软发布3D生成模型TRELLIS
GenCast是一个基于扩散模型的中期天气预报工具，提供多个预训练模型及示例代码。TRELLIS是大型3D生成模型，支持多种格式的3D资产生成和灵活编辑。Report mAIstro是一款报告生成工具，利用LLM快速创建定制化报告。Qodo Cover 是一个测试用例自动生成工具，帮助提高代码覆盖率。OpenAI发布完整版O1模型及ChatGPT Pro订阅服务，包括多模态输入支持、处理速度快等特性。
亚马逊推出的新一代基础模型Nova，AIMedia帮助用户自动抓取热点新闻、生成新闻内容，并自动发布到各大平台
亚马逊Nova推出新一代基础模型提升AI应用智能性和成本效益；AgentLab为网页代理研究提供开放框架；ComfyUI为HunyuanVideo提供包装节点简化使用；TinyFusion优化扩散变换器结构提高训练效率和性能；AIMedia是一款全自动AI媒体软件，实现热点新闻抓取及自动发布。
李飞飞AI巨制：一张图生成3D世界，玩家可自由探索，沉浸式人机对话Dippy，专为长视频描述而设计的系统StoryTeller
文章介绍了五项创新技术与工具，包括World Labs的3D场景生成、Dippy Empathetic Speech Subnet用于沉浸式对话、StoryTeller针对长视频描述的技术、ComfyUI-KLingAI-API让用户直接使用KLing AI API以及Flow作为轻量级任务引擎简化AI代理构建。