跳到主要内容

我心中的SOTA

一、AIGC​

大语言模型(LLM)​

  1. 问答：Qwen3，kimi k2，DeepSeekV3.1
  2. 编码：Qwen-code
  3. 翻译：Hunyuan-MT-7B，支持33种语言
  4. 向量化：Qwen3-Embedding-8B
  5. 重排：Qwen3-Reranker-8B
  6. 视理解：Qwen3-VL，Janus-Pro，MiniCPM-v
  7. 实时的多模态互动：Qwen3-omni，GPT-4o(不开源)

文生图​

  1. NanoBanana(不开源)
  2. Qwen-Image
  3. Qwen-Image-Edit
  4. Seedream 4.0

图生视频​

  1. wan2.2
  2. Hunyuan
  3. veo3(不开源)

数字人​

  1. 图片数字人：infiniteTalk，Wan2.2-S2V，Multitalk，humo
  2. 对口型: HeyGem,Wav2Lip, DINet, TalkLip,IP-LAP,MuseTalk,LatentSync,StableDub
  3. 动作迁移：Wan Animate

换脸​

  1. DynamicFace
  2. FaceFusion

超分​

  1. FlashVSR
  2. realesr
  3. GPEN
  4. 人脸修复：GFPGAN,CodeFormer，restoreformer

二、声音处理​

语音识别​

  1. 英文：whisper
  2. 中文：FireRed
  3. 边缘计算：sensevoice-small

声音克隆与TTS​

  1. IndexTTS 2
  2. cosyvoice 3
  3. Qwen3-TTS
  4. FireRedTTS-2
  5. MiMo Audio

三、视觉模型(CV)​

人脸(关键点)检测与识别​

  1. mediapipe-face
  2. yolo-face
  3. insightface
  4. openface
  5. facelib
  6. facexlib

目标检测​

  1. yolo系列

图像分割​

  1. SEC：视频分割新王者
  2. DINOv3：一个模型搞定分割、检测、深度估计
  3. Segment Anything Model 2 (SAM 2)
  4. DeepLabv3+

图像增强​

  1. BPAM：融合双边网格与非线性MLP

深度估计​

  1. Depth Anything V2

人像抠图​

  1. segnext
  2. BiRefNet V2

视频镜头分割​

  1. TransNetV2

ocr​

  1. PaddleOCR-VL
  2. deepseek-ocr
  3. MinerU2.5
  4. dots.ocr
  5. tesseract
  6. PP-OCR
  7. GOT-OCR2.0
  8. PP-StructureV3
  9. MonkeyOCR-3B

四、工具和研发​

  1. AI底层算法
  2. 大模型应用开发
  3. 常用开发框架