AI 工具目录

Nova Sonic 是亚马逊推出的新型生成式 AI 语音模型。将语音理解与生成能力整合到一个模型中，能根据说话者的语调、风格等声学上下文调整生成的语音响应，对话更自然。Nova Sonic 支持多语言，目前对美国英语和英国英语的语音理解表现出色，支持多种说话风格和不同口音。

Cloudflare Agents 是用在构建智能代理（Agent）的平台，支持实现具有自主性、目标导向推理和自适应决策能力的“代理型AI”（Agentic AI）。Cloudflare Agents超越传统生成式AI，支持主动规划、迭代与环境互动完成复杂任务。

Image to Music 是创新的AI工具，支持将图像转换为音乐。分析图像中的颜色、形状、纹理等视觉元素，基于计算机视觉算法生成与之匹配的音乐作品。用户上传图片、选择模型，AI快速生成不同风格的音乐，如钢琴、吉他、管弦乐等。工具无需登录，操作简单，生成速度快，且无使用次数限制。

EasyControl 是 Tiamat AI 开源的基于扩散变换器（Diffusion Transformer，DiT）架构的高效灵活控制框架，通过轻量级条件注入 LoRA 模块，独立处理条件信号，实现即插即用功能，兼容现有模型，支持零样本条件多模态预训练，提升模型灵活性和通用性。

OmniSVG 是复旦大学和 StepFun 联合开发的全球首个端到端多模态 SVG（可缩放矢量图形）生成模型。基于预训练视觉语言模型（VLM），通过创新的 SVG 标记化方法，将 SVG 命令和坐标参数化为离散令牌，实现了结构逻辑与几何细节的解耦。

ACTalker 是用于生成逼真说话人头部视频的端到端视频扩散框架。支持单信号或多信号控制，如音频、表情等。核心架构包括并行 Mamba 结构，通过多个分支利用不同驱动信号分别控制面部区域，基于门控机制和掩码丢弃策略，实现灵活且自然的视频生成。

Zapier MCP（Model Context Protocol）是 Zapier 推出的创新 MCP 服务，让 AI 助手能快速、安全地连接到超过 7000 个应用程序，无需复杂的 API 集成。通过生成独特的 MCP 端点 URL，用户可以轻松配置 AI 助手可执行的具体操作，例如发送消息、管理数据或安排事件，将 AI 助手从单纯的对话工具转变为能执行实际任务的高效助手。

Quasar Alpha 是支持 100 万 token 的超大上下文窗口的预发布版 AI 模型，可处理超长文本和复杂文档。代码生成能力出色，生成速度快，延迟低，指令遵循能力强，支持联网功能和多模态功能，安全性也有所增强。

Seedream 3.0（即梦3.0）是字节跳动推出的AI图片生成模型，模型支持原生 2K 分辨率图像输出，快速生成高品质图像，仅需 3 秒。模型在小字生成与排版、美感与结构准确性等方面有显著提升，优化复杂文本排版和小字体高保真生成。

AutoRAG 是Cloudflare 推出的全托管的检索增强生成（RAG）管道，帮助开发者轻松将上下文感知的 AI 集成到应用程序中，无需管理基础设施。

OmniTalker 是阿里巴巴发布的实时文本驱动的说话头像生成技术，能同时处理文本、图像、音频和视频等多种模态输入，以流式方式生成自然语音响应。核心架构为 Thinker-Talker 架构，Thinker 负责处理多模态输入并生成语义表征和文本内容，Talker 将这些信息转化为流畅的语音输出。

可灵AI国际版(Kling AI) 是快手推出的AI视频和图像创作工具。专注于提供动态、美学和提示遵循方面极大改善的创意工具。可灵AI国际版提供多种功能，包括AI模板、效果、图像和视频编辑、声音处理等。

Mini DALL·E 3 是北京理工大学、上海AI Lab、清华大学和香港中文大学联合推出的交互式文本到图像（iT2I）框架。基于自然语言与用户进行多轮对话，实现高质量图像的生成、编辑和优化。

Alpha Engine 是面向全球资本市场的 AI 投研平台，为投研人员提供高效、智能的投研解决方案。拥有全面深度的投研数据库，涵盖海量会议纪要、海内外研报等资料，可实时更新。专业的 AI 搜索引擎具备穿透检索功能，搭配 FinGPT，能让用户与资料库直接对话，快速获取关键信息。

AutoAgent 是香港大学推出的零代码、自动化 LLM 智能体框架。基于自然语言交互，让用户无需编程即可创建智能助手，适用于智能搜索、数据分析、报告生成等场景。AutoAgent核心功能包括三种使用模式，用户模式、智能体编辑器、工作流编辑器，适应不同用户需求。

易途AI面试官是AI模拟面试产品。模拟真实面试场景，支持1000多个岗位，涵盖50多个行业300多个职位，能提供实时语音反馈，帮助求职者提前适应面试节奏。基于大厂面试风格，通过智能追问互动，针对求职者回答进行上下文追问，提前暴露不足。

Llama Nemotron是NVIDIA推出的一系列推理模型，专注于推理和多种智能代理（agentic AI）任务。模型基于Llama开源模型，经过NVIDIA的后训练，加入推理能力，在科学推理、高级数学、编程、指令遵循和工具调用等方面表现出色。

Vidu Q1 是清华大学人工智能研究院副院长、生数科技创始人兼首席科学家朱军教授团队推出的高可控视频大模型。支持生成1080p高清视频，画质细腻，细节丰富，能满足5秒视频的生成需求。首尾帧功能升级后，仅需两张图即可生成电影级的自然运镜效果。

Amazon Nova Act是亚马逊 AGI Labs推出的通用AI代理，用于在网页浏览器中执行任务。Amazon Nova Act支持开发者基于配套的 SDK 构建智能体应用原型，完成如提交请假申请、预订日历或发送自动回复邮件等操作。

析易是启行至科技推出的专业在线科研平台，面向高校和医院的科研人员，支持0代码数据分析，一健生成数据分析报告，降低科研入门门槛。平台提供AI论文写作工具，支持快速生成论文大纲和全文，帮助用户提升科研效率。

Qlib 是微软亚洲研究院推出的面向金融行业的AI量化投资工具，帮助量化研究者探索 AI 技术在投资领域的潜力。Qlib提供高性能的数据处理基础设施，支持从数据获取、模型训练到投资组合管理的全流程。

Vace AI 是一站式 AI 视频制作和编辑平台。具备强大的视频生成与编辑功能，可实现文本到视频、参考到视频生成，能对视频进行扩展、风格转换、主体移除与重建等操作，支持任务组合，满足多样化创作需求。

RoboBrain是智源研究院推出的开源具身大脑模型，推动单机智能迈向群体智能。由三个模块组成：用于任务规划的基座模型、用于可操作区域感知的A-LoRA模块和用于轨迹预测的T-LoRA模块。

PaddleSpeech 是百度飞桨团队开源的语音处理工具，提供全面的语音处理功能，包括语音识别、语音合成、声纹识别、语音翻译等。PaddleSpeech提供命令行界面、服务器和流式服务器等多种接口，方便快速上手。

QVQ-Max 是阿里通义推出的视觉推理模型，是QVQ-72B-Preview的正式升级版。QVQ-Max能“看懂”图片和视频内容，结合信息进行分析、推理和解决问题。QVQ-Max支持应用于学习、工作和生活场景，如解答数学难题、协助数据分析、提供穿搭建议等。

DeepPDF 是在线 AI PDF 处理工具，能高效、智能的处理文档。支持与 PDF 文件聊天，能精准回答用户关于文档内容的问题；快速生成文档摘要，帮助用户迅速把握核心要点。DeepPDF 提供多语言翻译功能，翻译时保留原文排版，确保格式不变。

Bolt3D 是谷歌研究院、牛津大学 VGG 团队和谷歌 DeepMind 联合推出的新型 3D 场景生成技术，是潜在扩散模型，能在单个 GPU 上，仅需不到七秒的时间，直接从一张或多张图像中采样出 3D 场景表示。

HitPaw Univd 是功能强大的人工智能驱动的多功能视频转换工具。支持将视频和音频文件转换为1000多种格式，涵盖主流编解码器，满足不同设备和平台的需求。无损转换技术可确保音视频质量不受损，特别适合处理高保真音乐文件。

ChatAnyone是阿里巴巴通义实验室推出的实时风格化肖像视频生成框架。通过音频输入，生成具有丰富表情和上半身动作的肖像视频。采用高效分层运动扩散模型和混合控制融合生成模型，能实现高保真度和自然度的视频生成，支持实时交互，适用于虚拟主播、视频会议、内容创作、教育、客户服务、营销、社交娱乐、医疗健康等众多场景。

鼠鼠求职是AI求职招聘平台，专注于为求职者和企业提供高效、智能的招聘解决方案。通过AI智聘鼠功能，能快速理解求职者需求，精准筛选并推荐符合要求的岗位，提供实时的求职建议。AI简历鼠功能可以智能优化简历，分析优势与不足，生成个性化简历模板，助力求职者脱颖而出。

RF-DETR是Roboflow推出的实时目标检测模型。RF-DETR是首个在COCO数据集上达到60+平均精度均值（mAP）的实时模型，性能优于现有的目标检测模型。RF-DETR结合LW-DETR与预训练的DINOv2主干，具备强大的领域适应性。

Qwen2.5-VL-32B是阿里巴巴开源的多模态模型，参数规模为32B。模型在Qwen2.5-VL系列的基础上，基于强化学习优化，具备更符合人类偏好的回答风格、显著提升的数学推理能力，及更强的图像细粒度理解和推理能力。

RuoYi AI 是全栈式 AI 开发平台，提供完整的前端、后台管理及小程序应用，支持灵活修改和分发代码。RuoYi AI 支持本地 RAG 方案，集成 Milvus/Weaviate 等向量库，保障数据隐私与性能。平台内置 SSE、websocket 等网络协议，能对接 OpenAI、ChatGLM 等数十种大语言模型。

LongCat（龙猫）是美团自主研发的生成式AI大模型，通过人工智能技术提升公司内部工作效率和创新能力。模型具备强大的多模态能力，能处理文本、图像等多种数据类型，在生成任务上表现出色，例如快速生成图片、视频脚本、代码等。

izdaxAi 是新疆碧利雅电子科技公司推出的多功能人工智能应用。集成了智能问答、写作辅助、学习工具、绘画创作、语音助手和多语言输入法等功能。用户可以通过语音或文字与 AI 进行交互，获取准确的答案和建议。

Product AnyShoot 是 TopView AI 推出的 AI 电商产品视频生成工具。通过人工智能技术，用户只需上传产品图片选择模板，快速生成逼真的产品展示视频，无需拍摄，节省时间和成本。

Gemini 2.5 Pro (I/O 版) 是 Google 推出的 Gemini 2.5 Pro 升级版多模态AI模型，具体版本号为 Gemini 2.5 Pro Preview 05-06。模型在编程能力上取得重大突破，擅长构建交互式 Web 应用、游戏和模拟程序。

百雀智能（LarkAgent AI）是北京数之美科技有限公司推出的AI外贸获客服务，核心产品为"百雀AI外贸员"。

DeepSeek Harness 是 DeepSeek 开源的 AI Agent 产品，基于 Cordis「一切皆插件」架构构建，已推出开箱即用的 macOS/Windows 桌面端。DeepSeek Harness能帮用户整理文档、分析表格、编写代码、查证信息、执行耗时任务，支持通过插件扩展能力，用对话创建自定义插件。

MoshiVis 是 Kyutai 推出的开源多模态语音模型，基于 Moshi 实时对话语音模型开发，增加了视觉输入功能。能实现图像的自然、实时语音交互，将语音和视觉信息相结合，让用户可以通过语音与模型交流图像内容。

Knocket 是腾讯云基于 RTC 实时通信基建推出的轻量级智能 IM 接待系统。Knocket 把聊天组件、个人联系主页、AI 客服三者合一，用户可一键生成嵌入网站或 APP 的对话窗口。

Agent TARS 是字节跳动开源的多模态 AI 代理工具。基于视觉解释网页内容，与浏览器、命令行和文件系统无缝集成，实现复杂任务的规划与执行。Agent TARS 提供桌面客户端，展示多模态元素和对话流程。Agent TARS凭借开源特性和强大的工具集成能力，成为 AI 辅助任务执行和研究的强大工具。

绘梦工坊AI是面向短剧、漫剧和商业内容生产的一站式AIGC创作平台，提供从剧本解析到成片导出的模板化工作流和可自由搭建节点的DreamoTV画布，通过API聚合平台开放多种主流模型能力。

miya.fm 是 ACE 公司 推出的个人AI音乐 Agent ，用户无需描述音乐需求，只需给出心情、经历，或粘贴 X 账号/帖子链接，AI 能生成定制歌单、完整歌曲、Diss 视频或 Remix 作品。

LightX2V Studio 是从灵感到生产的一站式 AI 创作平台。产品起步于轻量、高性能的开源图像与视频生成推理框架，目前正在建立连接模型、算力、开发者与创作者的 AI 视觉生产平台。

秒听是帮用户把沟通内容转化为方案、报告等工作成果的AI会议录音助手。通过实时录音或上传音视频，秒听自动整理逐字稿、摘要与待办，并结合历次沟通和相关资料，支持持续追问、信息梳理与内容撰写。

Lexcat 是面向律师、律所和企业法务的 AI 法律助手，提供法律检索、文书与合同起草、案件材料整理、客户洽谈、模拟法庭推演及材料脱敏等核心功能。

Shining Yourself是商汤科技提出的高保真饰品虚拟试戴技术。基于扩散模型，能实现高度逼真的饰品试戴效果，为用户带来沉浸式的虚拟体验。与传统虚拟试戴方法相比，Shining Yourself在细节呈现和真实感方面有显著提升，能更精准地模拟饰品在不同光照、角度和材质下的表现。