MiduMLC多语言校对引擎基于去噪自编码与自回归技术，将大规模语料库中蕴含的语言规律内嵌到深度网络模型之中，并通过音形义多模态融合和文本约束生成，实现对多种语言文字内容的智能校对与改写，校对能力处于业界前沿地位。

MiduMLC支持文本、图片、视频等多模态数据与网页、版式、流式等多文档格式的智能解析与校对，并拥有动态更新的知识图谱和常识知识库，具有精准的多要素实体关系联合抽取模型和事实一致性检测能力。MiduMLC具备主动学习能力，能够在无人工干预下持续提升校对效果。

MiduNLP是面向工业场景的智能引擎，具备敏捷开发、自定义等优点。借助大规模的语料库，训练了丰富的语言模型。引擎能力涵盖分词、命名实体识别、关键词提取、新词发现、关系抽取、情感分析等自然语言处理任务，可满足工业场景中对文本处理的各类技术需求。引擎持续跟踪业界前沿算法模型，助力模型的便捷实现、高效训练和快速落地。

MiduCV作为面向图片、语音、视频等模态内容的智能理解引擎，涵盖了CV及ASR等技术方向。引擎模型包括目标检测、语义分割和卷积循环神经网络等，实现光学字符识别、人脸识别、以图搜图、特定目标检测、视频理解等任务。依托上述技术并结合工业场景进行针对性优化与融合，实现图片、视频两种模态内容中图片文字、视频字幕、人物、场景及品牌Logo的提取与识别。

针对智能语音识别，引擎则通过搭建的语音活动检测模型和自动语音识别模型，结合实际工业场景的精标数据集进行模型的自主训练及性能优化，解决了对语音片段的自动降噪、精准提取与准确识别等问题，实现对音频内容的智能识别与理解。

MiduCMR涵盖了NLP、CV单一模态以及多模态之间进行交互、融合的技术。相较于单一模态的模型，跨模态可以真正实现“以语言指导图像，以图像指导语言”的训练，充分利用不同模态之间的互信息来提升模型对各种模态的理解能力。

引擎采用泛化性及效果突出的Transformer架构模型，不仅在单模态认知中能够通过自注意力机制充分学习特征，也能在多模态认知过程里充分融合不同模态的特征，从而达到多模态信息表示的统一。引擎通过基于动量对比学习、跨模态融合注意力、以及跨模态特征指导等工作，在大量无监督数据上进行预训练，并针对不同工业场景进行特化训练。

引擎能力覆盖各种跨模态检索任务（文搜图、图搜文、文搜视频等）、单模态检索任务（相似图片检索）、图片描述生成任务、图文匹配判断任务等。

MiduAIGC内容生成引擎，支持在不同的模态及任务场景上进行辅助内容生成。MiduAIGC引擎在学界业界最新模型基础上进行模型设计，认知并融合中文语言环境下多模态内容的特性开展语言模型训练，支持根据用户要求辅助生成相应内容。目前MiduAIGC引擎专注于图生图，图生文，文生图，文生文能力的建设。

文生文：拥有续写，文稿撰写能力，可以辅助用户进行文字创作，提供创作灵感，大大提升用户的创作效率。

文生图：可根据用户输入的文字进行艺术创作、图像编辑，可根据简笔画草图与文字要求可控地生成图像。可以在设计、配图等多个场景辅助用户进行创作。

图生图：由图像风格迁移，超分辨率，图像修复等多个能力构成，共同帮助用户对图像进行智能美化与修改。

图生文：可以根据图片内容进行文字创作，可用于图片描述生成，图片相关的广告文字生成，以及基于图像内容的问答等。

MiduKG知识图谱引擎通过知识建模、知识抽取、知识融合、知识存储、知识计算等技术从海量文本、图像、音视频等多模态信息中提取有价值的知识，同时采用深度学习技术来推断复杂知识的关联关系，从而形成对知识的认知，并自动构建知识图谱。并用于解决语义搜索、智能推荐、知识问答和知识可视化等多种复杂场景的问题。

语义搜索：利用知识图谱中的知识模型，实现用户输入的自然语言查询逻辑的解析。

智能推荐：从海量的信息中为用户寻找其感兴趣的信息，通过算法推荐达到节省用户时间、提升用户满意度。

知识问答：利用了知识图谱中知识模型以及推理能力，以多轮交互的方式实现用户问题的回答。

知识可视化：利用了知识图谱中的已有知识，可以将知识结构可视化展现出来，从而更好的展示出知识之间的联系。