相关文章
533 篇高质量内容
Qwen3.8-Flash：全新架构，更强更稳更划算
Qwen3.8-Flash多模态MoE模型发布，全新架构提升性能与效率，支持1M token超长上下文，千问平台即将上线服务。核心内容： 1. 多维度架构升级：GDN+QSA Hybrid Attention、Gated Residual等优化 2. 超长上下文能力：原生262k token，YaRN扩展至1M token 3. 成本与生态布局：训练成本降至前代1/9，千问API及开源Next架构
DeepSeek小模型长了眼睛，Agent基准干翻顶级闭源模型
DeepSeek轻量多模态模型V4-Flash-Vision-Exp，在Agent基准测试中击败顶级闭源模型，视觉与文本性能双优且成本可控。核心内容： 1. 多维度基准测试成绩优异，Agents' Last Exam、ZeroBench等超闭源模型 2. 视觉能力叠加后文本性能未降，DeepSWE、Toolathlon等任务成绩提升 3. 轻量架构+成本控制，Agent工作流能力增强，多场景实用价值显著
V4-Flash-Vision-Exp 上线，开启多模态 API 服务
DeepSeek-V4-Flash-Vision-Exp多模态模型上线API，文本能力持平正式版，视觉理解Agent能力大幅跃升接近Opus-4.8。 核心内容： 1. 文本与多模态能力平衡（纯文本能力持平，视觉理解Agent能力跃升） 2. 多模态能力解锁的Agent场景示例（商业PPT、开发者网站、动态特效创作） 3. API服务使用方式与计费规则（token计费，价格与V4-Flash一致）
DeepSeek Harness 更新：官方多模态支持
DeepSeek Harness三次版本迭代，多模态能力重磅升级，子代理协作更灵活，体验与稳定性全面优化！核心内容：1. 多模态能力增强（新增多模态模型，支持图文输入及图片持久化）2. 子代理与插件组合灵活（子代理接入Job Panel，插件可注册设置卡片）3. 稳定性与体验持续提升（修复问题，优化交互细节）
DeepSeek终于长出“眼睛”，V4 Flash视觉模型上线
DeepSeek V4系列首支视觉模型上线，支持图片输入，补齐Agent感知入口，参数价格细节曝光。核心内容：1. V4 Flash视觉模型核心参数（支持图片输入、1M上下文、384K输出、JSON等功能）2. 价格策略（与Flash版本一致的缓存及输出价格）3. 与Agent系统整合（接入Harness，联动模型、工具与执行链）
昨夜，DeepSeek Harness首发新版本：14项更新，多模态能力拉满！
昨夜DeepSeek Harness发布v0.1.0-rc.8版本，14项更新补齐多模态能力，子代理与工具体验全面升级！ 核心内容： 1. 多模态输入能力升级（原生图片/图文混合支持） 2. Claude Code、Codex子代理体系扩容 3. 终端体验与工具调用问题修复优化
DeepSeek Harness重磅更新：原生解锁多模态
DeepSeek Harness RC.8版本重磅更新！多模态能力原生解锁，Claude Code/Codex子代理按需安装，框架体验全面升级。 核心内容： 1. 多模态与子代理增强：原生图片请求、Claude Code/Codex子代理支持 2. 关键问题修复：图片载荷过高、流式生成前缀丢失等问题解决 3. 体验与工具优化：布局信息呈现、并发查询支持及安装启动改善
GitHub又火了一个语音转录库，我跑了5分钟
本地语音备忘录开发不再崩溃！transcribe.cpp基于ggml，统一C/C++底层+多语言接口，5分钟实现跨平台分发。 核心内容： 1. 本地ASR跨平台分发的痛点（模型拼接、格式转换难题） 2. transcribe.cpp的设计方案：统一底层+多语言接口 3. v0.1.0版本的关键能力（模型覆盖广、后端支持多、验证严格）
写一句中文 Prompt，技术架构图自己动起来了
用中文描述系统，直接生成可编辑的SVG和动态GIF技术架构图，让箭头按业务逻辑流动起来。 核心内容： 1. 项目核心：解决手动画技术架构图慢且易错的问题 2. 技术亮点：将需求转为结构化语义，生成可校验的SVG与动态GIF 3. 应用场景：覆盖14类UML图及多种AI场景，提供12种视觉风格
腾讯 Miora 正式发布，设计工作也可以交给 AI 了
腾讯Miora让AI接管品牌设计全流程，从定位到视觉资产一键生成，设计师的创意伙伴来了。 核心内容： 1. Miora作为腾讯AI设计Agent的核心功能与使用流程 2. 支持品牌、影视、电商等多场景的模板化创作 3. 智能规划、多模型协同与交互式修改的三大优势
告别逐字等待：PaddleOCR推出高吞吐层级并行文档解析技术 HPD-Parsing
告别传统文档解析的低效串行模式，PaddleOCR推出HPD-Parsing技术，实现团队协作式并行处理，解析效率大幅领先。 核心内容： 1. 传统自回归解析的瓶颈与HPD-Parsing的并行解析机制 2. 在OmniDocBench评测中实现吞吐量三倍以上提升，解析精度保持领先 3. 文档越长，其并行处理的效率优势越显著，代码与模型已开源
TMAP平台图生视频推理加速实践
TMAP平台通过多卡并行、Attention加速、量化与缓存优化，在保证质量无损的前提下实现4.87倍推理加速，单次成本降至0.15元/秒以下。 核心内容： 1. 针对图生视频模型推理瓶颈的四大优化领域 2. 关键加速技术：序列并行、SageAttention算子与混合量化 3. 自研DPCache缓存方案带来的全局最优调度效果
Qwen-Audio-3.0-Realtime 如何让语音交互“懂倾听，更聪明”？
阿里新一代实时语音模型如何让AI“听懂人心”？通过动态情感与多模态双工，实现拟人化交互。 核心内容： 1. 高表现力与共情对话：动态调整语气情感，支持音色克隆 2. 流畅双工交互：多模态感知，嘈杂环境下抗干扰 3. 智能任务处理：动态工具调用，超越基础聊天功能
Qwen-Audio-3.0-Realtime：能聊天，还能办事！
又快又聪明，能聊天更能办事！阿里发布实时语音模型Qwen-Audio-3.0-Realtime，在毫秒级响应下实现深度推理与智能工具调用。 核心内容： 1. 模型在智商、工具调用、共情与交互流畅度四大主线同步升级 2. “压时延不掉智商”的技术突破与基准测试表现 3. 无需明确指令即可自行调用并记忆工具结果的智能Agent能力
百度开源 Unlimited OCR：一次读完一本书，大幅提升DeepSeek-OCR效果
百度开源Unlimited OCR，通过Reference Sliding Window Attention机制，将长文档OCR的KV缓存固定为常量，实现“一次读完一本书”的飞跃，大幅提升了DeepSeek-OCR在长文档处理上的效率和效果。 核心内容： 1. 长文档OCR面临的工程挑战与现有方案的局限性 2. Unlimited OCR的核心创新：Reference Sliding Window Attention机制 3. 新方法带来的性能提升与应用前景
多模态 Agent 记忆，为什么不能当成升级版多模态RAG？
多模态Agent记忆并非简单升级版RAG，如何避免信息过载与token浪费？M3 Exam论文提出新思路。 核心内容： 1. 传统多模态记忆的常见问题与失败案例 2. M3 Proctor：将视觉内容转化为可检索文本代理 3. 显式决策机制与模态标签的应用价值
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