TAG

多模态学习工具。

共收录 4 款与「多模态学习」相关的 AI 工具，按站内热度排序；每张卡片可直达详情页查看定价、平台支持与同类对比。

PixelPlayer

PixelPlayer是由麻省理工学院CSAIL实验室开发的音视觉联合分析系统，核心定位是通过无标注视频训练，实现图像区域声源定位与多源音频分离。核心功能包括音视频同步学习、像素级声源定位、多类别音频分离三个模块，无需人工标注数据即可完成模型训练。面向计算机视觉研究人员、音频处理从业者、多媒体内容创作者、高校相关专业学生等群体，适用于音视频分离实验、老旧音轨修复、多乐器演奏内容拆分、视频声源定位分析、多模态学习研究等场景，可帮助用户将单声道音频按不同声源类型拆分，同时定位视频中每个发声区域对应的音频波形。

Video-MME

Video-MME是专注于多模态大型语言模型在视频分析领域性能评估的基准测试平台，核心定位为学术研究领域的标准化视频多模态能力评估工具。平台支持多维度视频理解能力测试，覆盖不同时长视频样本库，提供量化的模型性能对比报告。目标用户为多模态大模型研究人员、高校计算机相关专业师生、AI企业算法开发团队，可应用于模型迭代效果验证、不同架构模型横向对比、学术论文实验支撑、视频多模态算法落地前测试等场景。

4M

4M是由洛桑联邦理工学院（EPFL）开发的多模态多任务模型训练框架，核心定位为面向AI研究与开发场景的通用多模态学习工具。该框架支持视觉、文本等多模态数据的联合处理，可覆盖图像分类、目标检测、图像生成等十余种视觉相关任务，同时具备多模态条件生成能力，支持输入文本、图像等不同模态信号生成对应视觉内容。目标用户包括AI领域研究人员、计算机视觉方向开发者、高校相关专业师生以及需要落地多模态AI应用的企业技术团队，可用于多模态模型训练实验、通用视觉任务快速开发、多模态生成效果验证等不同场景，为多模态学习领域的技术探索提供可复用的基础框架。

Conbrie

Conbrie（可备可记）是一款基于人工智能技术的一站式学习与创作平台，核心定位是帮助用户高效管理知识、提升记忆效率。平台整合了AI记忆辅助、多模态学习工具和深度学习分析功能，支持用户通过闪卡、文章、视频等多种形式进行知识整理与复习。采用FSRS间隔记忆算法，结合个性化学习推荐，目标用户覆盖学生、教师、职场人士、终身学习者、知识创作者等群体。适用于备考复习、课程教学、职场技能积累、语言学习、知识内容创作等多个场景，同时支持跨平台同步与第三方学习工具数据互通，满足不同用户的灵活学习需求。