TANGOFLUX是一个高效的文本到音频（TTA）生成模型，拥有515M参数，能够在单个A40 GPU上仅用3.7秒生成长达30秒的44.1kHz音频。

FaceCLIP 是字节跳动开源在 Hugging Face 的 CLIP-风格人脸表征模型，用图文对比学习让机器“看得懂”人脸与文本的对应关系。

先进的文本到图像生成模型，支持中文和英文输入，能够根据文本描述生成高质量的图像。

能够实现视频中人物的精准替换和动作表情的无缝迁移，为创意设计和影视制作提供强大的技术支持。

CogVLM2-Video是一个专注于视频理解的模型，它利用了大型语言模型和多模态对齐技术，以实现在开放领域中对视频内容的深入理解。该模型通过自动化的时间定位数据构建方法，生成了30k与时间相关的视频问答数据，并通过这些数据训练出了新的视频理解模型。

DeepSeek 开源的一款高性能通信库，专为混合专家模型（MoE）和专家并行（EP）设计，提供高吞吐量和低延迟的通信解决方案，显著提升大规模分布式训练和推理的效率。