AI日报：阿里开源文档模型DocOwl 1.5；Midjourney图像编辑器新功能下周上线；Viggle AI推对口型功能

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。

新鲜AI产品点击了解:https://top.aibase.com/

1、表格、图表统统拿下!阿里达摩院开源DocOwl1.5无需OCR，高效“读懂”文档!

阿里巴巴达摩院与中国人民大学联合开源了mPLUG-DocOwl1.5文档处理模型，无需OCR即可理解文档内容，在多个视觉文档理解基准测试中表现领先。该模型强调结构信息的重要性，提出“统一结构学习”来提升MLLM性能。

【AiBase提要:】

🔍 mPLUG-DocOwl1.5无需OCR即可理解文档内容，在视觉文档理解基准测试中领先。

📊 强调结构信息对于文档理解的重要性，提出“统一结构学习”来提升MLLM性能。

🔗 提供了开源代码、模型和数据集，取得了在多个下游任务中的最先进性能。

详情链接:https://github.com/X-PLUG/mPLUG-DocOwl/tree/main/DocOwl1.5

2、Midjourney图像编辑器新功能下周上线

Midjourney的创始人David Holz宣布，一款全新的图像编辑器即将上线，该编辑器利用上传图像的深度信息生成新图片，保留原始构图和内容的同时彻底改变纹理、颜色和细节。这一创新提升了用户创作自由度，为设计师和艺术家提供强大工具。Midjourney通过AI技术不断优化图像生成质量，最新v6.1模型进一步提升图像清晰度和准确性。新图像编辑器的加入将拓宽AI在创意领域的应用，预示着Midjourney在图像编辑工具方面的重大进步。

【AiBase提要:】

✨ 利用上传图像的深度信息生成新图片，保留原始构图和内容，彻底改变纹理、颜色和细节。

🎨 Midjourney致力于通过AI技术提升图像生成质量，最新v6.1模型进一步优化图像清晰度和准确性。

💡 新编辑器的加入将拓宽AI在创意领域的应用，为设计师和艺术家提供更灵活的图像操控和修改方式。

3、Viggle AI再推新功能 可通过录制声音让角色说话

Viggle AI推出了令人兴奋的新功能，用户可以通过录制声音让角色说话并实现口型同步。这项创新技术让用户完全控制角色的表现方式，无论是唱歌还是跳舞，都能轻松实现。Viggle应用程序以其创新性在社交媒体上引起了广泛关注，利用先进的JST-1视频3D基础模型，用户可以轻松创造和混合视频内容。

【AiBase提要:】

🎤 角色说话功能:用户可以通过录制声音让角色说话，实现口型同步。

🎭 角色替换功能:用户可以将任何角色置入视频场景，创造个性化沉浸式体验。

🔄 静态图像动画化:用户可以将静态照片转化为动态影像，增加视频趣味性和互动性。

详情链接:https://viggle.ai/home

4、即使是顶尖AI模型也难以应对复杂旅行规划，OpenAI o1-preview也犯难

最新研究表明，即使是先进的AI语言模型，如OpenAI最新的o1-preview，在复杂的规划任务中也面临挑战。研究发现模型在整合规则和条件方面表现不佳，且随规划时间增加会逐渐失去对问题的关注。尽管一些模型在BlocksWorld中表现尚可，但在更复杂的TravelPlanner任务中表现不佳。

【AiBase提要:】

🌍 OpenAI的o1-preview等AI模型在复杂旅行规划上表现不佳，GPT-4o成功率仅7.8%。

📉 大多数模型在BlocksWorld中表现尚可，但在TravelPlanner上难以达到理想效果。

🧠 模型存在对规则的整合不足及随时间推移而失去焦点的问题。

详情链接:https://github.com/hsaest/Agent-Planning-Analysis

5、开源工具Vulnhuntr可发现Python零日漏洞，巧妙利用Claude AI

Protect AI公司推出的Vulnhuntr工具利用Claude AI帮助开发者发现Python代码中的零日漏洞。该工具与传统静态分析不同，能够追踪用户输入到服务器输出的完整调用链，提高漏洞检测准确性。Vulnhuntr已在多个大型开源项目中发现零日漏洞，即将在GitHub上发布供开发者使用。

【AiBase提要:】

🌟 Vulnhuntr是开源工具，利用Claude AI发现Python零日漏洞。

🛠️ 工具工作方式不同于静态分析，能追踪完整调用链。

🚀 Vulnhuntr已发现多个大型开源项目中的零日漏洞，即将在GitHub上发布。

6、字节跳动回应“实习生破坏大模型训练”:未影响正式商业项目

字节跳动近期针对实习生破坏大模型训练的传闻进行了官方回应，确认实习生恶意干扰研究项目模型训练，但未影响正式商业项目和线上业务。公司指出传闻严重夸大，已辞退实习生并通报相关机构。事件暴露安全管理问题，公司计划大力投资AI技术。

【AiBase提要:】

🔍 实习生恶意干扰大模型训练，未影响商业项目和线上业务。

🔒 公司确认传闻夸大，已辞退实习生并通报相关机构。

💡 事件暴露安全管理问题，公司计划大力投资AI技术。

7、Meta最新黑科技SPIRIT-LM:能说会写还能懂你的情绪，这个 AI 语言模型有点强!

SPIRIT-LM 是一款具有革命性意义的多模态基础语言模型，能够自由混合文本和语音，理解和表达情感。它结合了文本模型的语义能力和语音模型的表达能力，完成跨模态任务，只需少量样本即可学习新任务。SPIRIT-LM-EXPRESSIVE在情感表达方面优于基础版，开创了多模态语言理解和生成的新可能性。

【AiBase提要:】

⚙️ SPIRIT-LM 是多模态基础语言模型，能混合文本和语音，理解情感。

🔑 SPIRIT-LM 结合了文本模型的语义能力和语音模型的表达能力，完成跨模态任务。

💡 SPIRIT-LM-EXPRESSIVE在情感表达方面优于基础版，开创了多模态语言理解和生成的新可能性。

详情链接:https://arxiv.org/pdf/2402.05755

8、颠覆 Stable Diffusion!智源重磅发布 Emu3，图像、文本、视频全拿下!

Emu3团队发布了一套全新的多模态模型Emu3，颠覆了传统的扩散模型和组合模型架构，在生成和感知任务上取得了最先进的性能。该模型基于下一个token预测进行训练，实现了多模态任务的统一，超越了特定任务模型，甚至旗舰模型。Emu3的成功为多模态模型的未来发展指明了方向，也为实现AGI带来了新的希望。

【AiBase提要:】

🚀 Emu3基于下一个token预测进行训练，颠覆了传统模型架构，取得了最先进的性能。

💡 Emu3实现了多模态任务的统一，无需依赖扩散或组合架构，超越了特定任务模型和旗舰模型。

🔗 Emu3团队开源了关键技术和模型，为多模态智能领域的进一步研究提供支持。

详情链接:https://github.com/baaivision/Emu3

9、Perplexity AI 寻求90亿美元估值

Perplexity AI 宣布在新一轮融资中希望将估值提升至90亿美元，当前估值为30亿美元。公司面临抄袭指控，但坚决否认。在激烈市场竞争中努力提升技术和服务水平。

【AiBase提要:】

🌟 Perplexity AI 计划将估值提高至90亿美元，吸引大量投资者关注。

💰 公司自今年初以来进行了三轮融资，迅速发展。

📰 面临抄袭指控，公司坚决否认并保护知识产权。

10、前OpenAI CTO重磅打造新AI公司，融资目标高达1亿美元

Mira Murati正筹集超过1亿美元的风险投资，准备创办新的AI创业公司。她离开OpenAI希望进行个人探索，而OpenAI在她离职后筹集了创纪录的66亿美元风险投资。期待Murati的新公司未来发展。

【AiBase提要:】

✨ Mira Murati正筹集超过1亿美元的风险投资，打造新AI公司。

🚀 Murati离开OpenAI希望进行个人探索，未透露具体计划。

📈 OpenAI在Murati离职后筹集了创纪录的66亿美元风险投资。

11、苹果AI发展滞后两年，计划未来两年全线设备引入Apple Intelligence

在今年的WWDC大会上，苹果展示了AI新特性，但分析师称苹果在AI技术发展上落后竞争对手约两年。苹果计划未来两年在所有带屏设备上推出“Apple Intelligence”功能，尽管起步较晚，但有信心迎头赶上。

【AiBase提要:】

📅 苹果在AI发展上落后竞争对手约两年，正努力追赶行业标准。

💡 苹果计划未来两年内在所有带屏设备上推出“Apple Intelligence”功能。

📱 新款iPad和即将推出的iPhone都将配备支持“Apple Intelligence”的硬件。

12、北京市新增12款生成式AI服务备案，累计达94款

北京市最近新增了12款生成式人工智能服务备案，使得累计备案数量达到了94款，为用户带来更多选择与便利。已上线的AI应用需公示备案情况，包括模型名称和备案编号。本次新增备案名单中包括快手科技公司的可灵AI和昆仑万维科技股份有限公司的天工图像。

【AiBase提要:】

📈 北京市新增12款生成式AI服务备案，累计达94款

🔍 已上线AI应用需公示备案情况，包括模型名称和备案编号

📋 本次新增备案名单中包括快手科技公司的可灵AI和昆仑万维科技股份有限公司的天工图像