视觉理解

Spark Robin

sparkrobin.dev

Spark Robin是一个基于Gemini AI模型，专注于富视觉响应与多模态创意工作流的在线AI服务平台，支持文本、图像、音频等多类型输入输出，可满足创作者、开发者、设计师等不同用户的多模态内容生成与处理需求。核心功能包含多模态内容生成、视觉内容理解、创意脚本撰写、响应式UI原型生成、音频内容转写等，能够帮助用户在创意构思、内容创作、产品设计开发等场景中完成多类型任务，打通从创意想法到可落地内容的工作流程。

UniTok

foundationvision.github.io

UniTok是面向计算机视觉领域的视觉分词技术展示与资源平台，核心定位是为相关从业者提供统一视觉分词技术的落地参考与技术资料。平台支持UniTok技术原理的详细解读、ImageNet等公开数据集测试结果展示、多码本量化技术实现细节说明，同时提供可复用的代码实现示例与技术适配指南。目标用户涵盖计算机视觉领域研究人员、AI算法开发工程师、多模态应用开发团队、高校相关专业师生，可应用于图像生成模型优化、视觉理解任务研发、多模态大模型底层模块开发、学术研究复现等多种场景。