相关文章
495 篇高质量内容
Om AI第二弹！VLX-Seek来了：3B小模型，细粒度感知反超Gemini
Om AI发布3B小模型VLX-Seek，在细粒度视觉感知任务上反超Gemini Pro，展现精准定位新突破。 核心内容： 1. VLX-Seek模型的核心能力：解决VLM“看懂却看不准”的难题 2. 技术突破：将物理实体转为region token，提升定位精度与推理效率 3. 性能表现：在多项基准测试中超越Gemini，适配端侧实时场景
小参数，大能力 | 星际视觉语言大模型再进化，0.8B轻量版正式发布
轻量级大模型如何实现端侧高效部署？极视角发布0.8B版星际视觉语言大模型，为产业终端带来低成本、高隐私的AI能力。 核心内容： 1. Stellaris-VL-0.8B模型的三大核心优势与产业级能力 2. 模型在架构轻量化、推理稳吞吐方面的关键优化 3. 终端广适配与本地高安全的落地价值
PaddleOCR 3.7 正式接入ONNX Runtime，一个参数换后端，轻量部署新选择
PaddleOCR 3.7.0 正式引入ONNX Runtime后端，仅需一个参数即可灵活切换推理引擎，为轻量级部署提供新选择。 核心内容： 1. 推理引擎抽象化与统一接口设计 2. ONNX Runtime后端的优势与特性 3. 多后端支持带来的灵活部署方案
正式推出 Gemma 4 12B: 一款统一、免编码器的多模态模型
无需编码器，Gemma 4 12B将先进多模态AI直接装进你的笔记本电脑，解锁本地智能体新体验。 核心内容： 1. 全新统一架构：免编码器设计，直接处理视觉与音频输入 2. 强大性能与轻量化：性能接近26B模型，仅需16GB内存即可本地运行 3. 开源生态与应用：Apache 2.0协议发布，已支持丰富开发者应用场景
还在用 MinerU 解析 PDF？这个 2B 小模型直接把 olmOCR-bench 刷到 87.6%，速度还快 3.68 倍
还在用传统工具解析PDF吗？Infinity-Parser2开源模型刷新SOTA，一行命令实现极速精准转换。 核心内容： 1. Infinity-Parser2在权威基准测试中的突破性表现 2. 统一架构如何通过多任务强化学习实现六大功能 3. 极速2B小模型与SOTA 35B大模型的对比与开源获取
Qwen-VLA：迈向通用具身智能的统一动作框架
从“各司其职”到“一脑多用”，通义实验室的Qwen-VLA让机器人真正拥有了统一行动的大脑，迈向通用具身智能。 核心内容： 1. 打破传统模型割裂现状，提出统一动作轨迹预测框架 2. 通过本体感知提示条件化，实现跨11种机器人平台的通用控制 3. 结合Qwen3.5-4B与DiT解码器，构建视觉-语言-动作统一模型
罗福莉说的“伪多Agent”，我试了OmniWork后发现，真全干专家长这样
OmniWork如何解决多Agent系统的常见痛点，实现真正的“全干专家”？ 核心内容： 1. 剖析市面多Agent系统“伪智能”的三大核心问题 2. 对比sub-agent与team-agent架构的适用场景与选择标准 3. 展示OmniWork从零生成品牌短片的丝滑全流程实践
PDF解析折腾半年，最后靠这套方案搞定了
想用AI分析PDF却总被格式问题困扰？别急，这套整合方案帮你搞定复杂版式、表格和公式的精准解析。 核心内容： 1. PDF解析的三大主流方案（DeepSeek-OCR、PaddleOCR-VL、MinerU）的适用场景与优劣对比 2. 利用vLLM框架进行推理加速，实现高效本地部署 3. 解析输出的结构化数据（Markdown/JSON）如何无缝接入AI工作流
一个神奇的视频生成 Skills，实测，狂喜
用HTML代码直接生成视频？HyperFrames让AI agent轻松实现视频创作自动化！ 核心内容： 1. HyperFrames技术原理：基于HTML+headless Chrome的创新视频生成方案 2. AI agent集成：通过skills系统让Claude等AI掌握视频制作能力 3. 完整工作流：从文字到带字幕、配音的成品视频全自动生成
你的一人公司品牌部，带着Image-2模型的lovart中文版来了
AI设计神器星流Image-2上线，国内用户也能轻松玩转创意设计！ 核心内容： 1. 星流Image-2作为Lovart中文版的功能实测体验 2. 用AI进行个人形象分析的趣味案例解析 3. 如何将AI设计工具融入PPT制作等创意工作流
MNN-Sana-Edit-V2：端侧运行的图像漫画风编辑大模型
手机端15秒完成漫画风转换！淘宝联合高校研发的MNN-Sana-Edit-V2模型，兼顾隐私与效率，比云端方案快2.5倍。 核心内容： 1. 模型架构与核心技术解析 2. 端侧部署优化与性能表现 3. 实际应用场景与开源信息
刚刚！Codex 居然能直接画图了，OpenAI 凌晨甩出 Image 2.0
OpenAI 再次突破想象，Codex 不仅能写代码还能直接生成专业架构图，开发效率再上新台阶！ 核心内容： 1. Codex 原生集成 Images 2.0 实现代码与绘图无缝衔接 2. 中文渲染和架构图专业度大幅提升的突破性表现 3. Images 2.0 在分辨率、知识更新和细节控制上的技术升级
PaddleOCR 3.5 发布：Web 端直用、文档一键转 Markdown，生态交互新体验
PaddleOCR 3.5带来浏览器端OCR新体验，文档转换更智能，生态融合更便捷。 核心内容： 1. 发布PaddleOCR.js，支持浏览器端轻量调用OCR能力 2. 新增文档转换功能，支持Word/Excel/PPT转Markdown 3. 融入Hugging Face生态，统一推理引擎配置方式
用Claude Code剪视频，自动去口癖、加字幕、调色，完全免费开源
告别繁琐剪辑！这款开源工具用Claude Code对话就能自动完成专业级视频处理，从去口癖到调色一气呵成。 核心内容： 1. 开源工具video-use的核心功能：自动剪辑/调色/字幕/动画叠加 2. 创新技术架构：LLM通过音频转录实现精确到单词的智能剪辑 3. 三步极简使用流程：克隆安装→配置API→对话生成成品视频
刚刚，李飞飞最新成果发布，手机也能跑亿级粒子的 3D 世界了｜附体验地址
李飞飞团队最新突破：用浏览器就能体验上亿粒子的3D世界，彻底打破设备限制！ 核心内容： 1. Spark 2.0如何实现亿级粒子3D场景在手机端流畅运行 2. 3D高斯点云技术原理及其突破性优势 3. 开源渲染引擎的技术架构与创新设计
豆包「打电话」升级 Seeduplex：周围再吵，只认准你的声音
豆包全新语音模型Seeduplex上线，嘈杂环境中也能精准识别你的声音，让对话如面对面般自然流畅。 核心内容： 1. Seeduplex全双工语音模型的突破性技术 2. 在公园嘈杂环境下的实际使用体验 3. 与传统半双工语音AI的对比优势
美团发布原生多模态 LongCat-Next：当视觉和语音成为AI的母语
美团LongCat-Next突破性实现多模态统一建模，让AI真正拥有物理世界的"母语"。 核心内容： 1. 传统多模态模型的局限性分析 2. DiNA架构实现视觉、语音、文本的统一离散化表示 3. 原生自回归建模带来的三大根本性改变
全解读｜智谱 GLM-5V-Turbo 发布，多模态 Coding 基模
智谱 GLM-5V-Turbo 重磅升级，原生视觉能力让AI看懂设计稿直接生成代码，多模态编程新时代来临！ 核心内容： 1. GLM-5V-Turbo 的核心升级：原生视觉理解与多模态编程能力 2. 在多项多模态基准测试中超越竞品，同时保持纯文本编程能力不退化 3. 典型应用场景：设计稿转代码、网页界面生成等开发效率革命
GLM-5V-Turbo：多模态Coding，图像即代码
GLM-5V-Turbo突破多模态编程边界，让AI真正看懂画面写出代码，开启视觉编程新时代。 核心内容： 1. 原生多模态Coding基座能力解析 2. 在视觉编程与纯文本场景的双重优势 3. 与行业Agent的深度协同应用案例
突破零样本TTS音色克隆上限：LongCat-AudioDiT 的声音克隆艺术
美团LongCat团队突破传统TTS技术瓶颈，推出直接生成波形的LongCat-AudioDiT模型，实现零样本音色克隆的SOTA性能。 核心内容： 1. 传统TTS系统的多阶段流程缺陷与误差累积问题 2. LongCat-AudioDiT在波形潜空间直接建模的创新架构 3. 关键技术创新：训练-推理匹配优化与自适应投影引导方法