GitLab

Step-Video-TI2V 是一款基于文本驱动的图像到视频生成模型，拥有30B参数，能够根据文本和图像输入生成最长102帧的视频。

Step1X-Edit作为一种新的通用图像编辑算法，通过结合强大的多模态大语言模型和基于扩散的图像解码器，显著提高了图像编辑的性能。

YOLOE跨越多种开放Prompt机制实现了实时感知任何事物，不受限于预定义类别。

具身智能新时代！VLA迎来最强基础模型Magma：UI导航、机器人操作全能。