GitLab

Stable Diffusion 3 Medium is a Multimodal Diffusion Transformer (MMDiT) text-to-image model.

X-Decoder: Generalized Decoding for Pixel, Image, and Language

骨干网络仅含0.45B参数，支持口音强度控制，适于实时语音交互，能满足不同场景下对语音口音克隆的多样化需求。

实时开放词汇目标检测模型YOLO-World的训练、推理

A Family of Open Large Multimodal Models

End-to-End Object Detection with Transformers

中文LLaMA-2 & Alpaca-2大模型二期项目 + 64K超长上下文模型 (Chinese LLaMA-2 & Alpaca-2 LLMs with 64K long context models)

一个基于VITS简单易用的变声框架，使用少量数据进行训练也能得到较好结果，方便直播娱乐。