10万+，超大规模人手交互视频数据集！面向可泛化机器人操作｜CVPR 2025
香港中文大学（深圳）发布TASTE-Rob数据集，包含100,856个精准匹配语言指令的第一视角交互视频。该团队提出三阶段视频生成流程优化手部姿态，显著提升视频真实感和机器人操作准确度。
香港中文大学（深圳）
ICLR 2025 扩散模型奖励微调新突破！Nabla-GFlowNet让多样性与效率兼得
本文介绍了一种基于生成流网络的扩散模型奖励微调方法Nabla-GFlowNet，该方法能够在快速收敛的同时保持生成样本的多样性和先验特性。通过在Stable Diffusion上实验验证了其有效性。
香港中文大学（深圳）开源的一款语音理解模型：Soundwave
香港中文大学（深圳）开源的Soundwave语音理解模型仅需1万小时训练数据，即达到Qwen2-Audio同等性能，具备智能对话和复杂语音交互能力。
3D动画革命！北航团队破解交互难题，一键生成影视级打斗场面
Sitcom-Crafter 是一个基于剧情驱动的 3D 人类动作生成系统，由北京航空航天大学、香港中文大学（深圳）、悉尼科技大学和中山大学等高校联合开发。它能够根据用户提供的长剧情指导生成多样化且物理真实的动作，支持多种交互场景，并通过增强模块优化动作的流畅性、自然性和同步性。
10秒生成4分钟音乐，8GB显存就能跑！已登Hugging Face趋势榜一
西北工业大学和香港中文大学提出新型AI音乐生成模型DiffRhythm，在10秒内生成4分45秒完整歌曲，支持本地部署，仅需8G显存。其简洁高效的全diffusion架构只需歌词和风格提示即可创作，速度和便捷性得到提升。
医疗复杂推理开源大模型——华佗GPT-o1
专注AIGC领域的专业社区分享了香港中文大学（深圳）和深圳市大数据研究院开源的医疗领域大模型——华佗GPT-o1。该模型采用高质量医学数据集进行训练，并通过两阶段训练模式提升推理准确性和可靠性。