出品 | AI 科技大本营（ID：rgznai100）
一分钟速览新闻点！
-
Stable Diffusion 3 发布 API
-
微软亚洲研究院推出 VASA-1：AI 驱动的语音到逼真面部动画转换技术
-
Stability AI 进军音乐生成，推出 DiT 架构驱动的 Stability Audio
-
AI2 升级开放源码 OLMo 模型，引入多元化数据集及双阶段学习课程
-
新华智云升级“新华妙笔”AI 平台，智能化变革公文写作
-
波斯顿动力 Atlas 人形机器人电动化升级，告别液压时代
-
Mentee Robotics 推出“AI 优先”人形机器人 Menteebot 挑战市场
Stable Diffusion 3 发布 API
Stability AI 近日宣布其 Stable Diffusion 3 和 Stable Diffusion 3 Turbo 现已在 Stability AI 开发者平台 API 上提供。此模型在最新研究中展现出与 DALL-E 3 和 Midjourney v6 等顶级文本到图像生成系统相当或更优的表现，尤其在版式设计和遵循提示方面，经人类偏好评估证实。新推出的 Multimodal Diffusion Transformer（MMDiT）架构采用独立的图像和语言权重集，增强了文本理解和拼写能力。
API 文档：
https://platform.stability.ai/docs/api-reference#tag/Generate/paths/~1v2beta~1stable-image~1generate~1sd3/post
微软亚洲研究院推出 VASA-1：AI 驱动的语音到逼真面部动画转换技术
微软亚洲研究院开发的 VASA-1 项目创新了人工智能技术，能将单张静态图像和语音音频转化为高精度、富有表现力的对话面部动画。该技术具备精确唇音同步、复杂面部表情复现及自然头部动作模拟能力，借助 NVIDIA RTX4090 GPU 实现实时 40-45 fps 的 512×512 分辨率视频生成，延迟仅 170 毫秒。其核心技术涵盖了面部潜在空间建模、3D 辅助表示、音频条件生成控制等，演示案例中的大部分身份形象使用 StyleGAN2 或 DALL-E-3 生成。微软已公开该项目演示及相关学术论文，以供研究者和开发者深入研究和应用。
项目地址：
https://www.microsoft.com/en-us/research/project/vasa-1/
论文链接：
https://arxiv.org/abs/2404.10667
Stability AI 进军音乐生成，推出 DiT 架构驱动的 Stability Audio
Stability AI 近日发布了一份关于其最新技术突破——Stability Audio 的研究论文。该技术基于 Diffusion-Transformer（DiT）架构，成功实现了长达 4 分 45 秒连续、高品质音乐作品的自动化创作。研究团队通过在长时间序列数据上深度训练生成模型，使其能够捕捉和理解音乐的复杂结构和风格特征。Stability Audio 的核心在于一种高度紧凑的连续潜在表示方法，它能够在 21.5Hz 的潜在频率下运作，有效地捕捉音频信号的时间动态变化。
论文链接：
https://arxiv.org/abs/2404.10301
AI2 升级开放源码 OLMo 模型，引入多元化数据集及双阶段学习课程
美国艾伦人工智能研究所(AI2)于本周三宣布对其 70 亿参数的 Open Language Model(
OLMo
) 1.7-7B 进行重大更新。新版 OLMo 采用了更大规模且来源多样化的 Dolma 1.7 数据集，并优化了教育式训练流程。
OLMo 1.7-7B 现支持更长上下文长度，从 2,048 提升至 4,096 个 tokens，并通过改进的训练程序和架构增强性能。
开源链接：
https://huggingface.co/allenai/OLMo-1.7-7B
新华智云升级“新华妙笔”AI 平台，智能化变革公文写作
新华社与博特智能携手研发的“新华妙笔”AI 公文写作平台，包括自然语言处理（NLP）、知识图谱构建与分析，实现政务公文全流程智能化辅助。该平台整合了从素材查找、结构规划、内容自动生成至审核校对的一站式服务。近期新华智云进一步优化其核心AI模型，使得“妙笔”能在短时间内输出符合规范、内容精准的高质量公文，并且具备一键润色、摘要提取、标题生成等功能，有力推动政务办公的数字化转型与智能化升级。
