DeepSeek-OCR 解读：把长文本压成“视觉 token”的上下文压缩新路线
一、摘要 DeepSeek-OCR 是 DeepSeek 开源的“上下文光学压缩”模型，将文档文本编码为 视觉 token 后再解码为文字，目标是在保持识别准确度的同时显著降低 LLM 的上下文 token 成本。社区与媒体报道显示：在约 10× 压缩 下可达 约 97% 解码精度 ， 20× 时仍...
Admin •
253
LongCat-Audio-Codec 开源：面向语音大模型的极低码率音频编解码方案
一、摘要 LongCat-Audio-Codec 是美团 LongCat 团队开源的音频编解码方案，专为语音大模型（Speech LLM）优化。项目以“双 Token”架构实现语义与声学信息的并行建模，在仅 0.43 kbps 的超低码率下仍保持语音可懂度与音质。其实时流式解码器延迟控制在百毫秒级，...
Admin •
212
Qwen3Guard 全面开源：安全对齐与推理防护的双重框架
一、摘要 Qwen3Guard 是阿里云 Qwen 团队推出的开源安全防护体系，旨在提升大语言模型在推理和输出阶段的安全性。该体系包含强化学习对齐模型 Qwen3-4B-SafeRL 与评测基准 Qwen3GuardTest 。前者利用来自 Qwen3Guard-Gen-4B 的安全反馈进行强化学习...
Admin •
363
腾讯混元 HunyuanImage 3.0开源，80B MoE 文生图模型，长提示与内嵌文字更强
一、摘要 HunyuanImage 3.0 是腾讯混元开源的原生多模态文生图模型，采用 MoE 架构与 Transfusion 思路统一训练文本与图像。据官方信息：总参数超 80B，推理每 token 激活约 13B；支持理解千词级提示、在图像中精准生成文字，并强调“具备世界知识的推理”。当前版本聚...
Admin •
302
Hunyuan3D-Part 发布：原生3D分割 P3-SAM 与可控部件生成 X-Part 全面开源
一、摘要 Hunyuan3D-Part 是腾讯混元开源的部件级 3D 形状生成与分解方案，由 P3-SAM （原生 3D 部件分割）与 X-Part （可控部件生成）组成。其训练不依赖 2D SAM，基于约 370 万形状与干净部件标注，提供自动化 3D 分割与扩散式部件生成。论文报告在多个基准上达...
Admin •
382
Qwen3-VL 开源发布：256K–1M 长上下文与长视频事件精定位
一、摘要 Qwen3-VL 是阿里云 Qwen 团队开源的视觉-语言模型，面向图像、视频与文本的统一理解与推理。其亮点包括：原生 256K（可扩展至 1M）上下文、最长期约 2 小时视频的事件“精定位”、OCR 语种由 19 扩展至 32（含稀有字符与倾斜文本）、在真实场景风险检测上的领先表现；并展...
Admin •
345
Qwen3-Omni开源模型全梳理：Instruct、Thinking、Captioner怎么选
Qwen3-Omni把多模态AI与端到端推理结合到一起：用一个模型统一文本、图像、音频、视频的输入输出，兼顾速度与准确率。在公开测试中，Qwen3-Omni在大量音频与音视频基准上达到领先，并开放多款可用权重，适合快速上手与二次开发。 一、为什么这次的“端到端多模态AI”重要 1、真正统一的多模态A...
Admin •
227
通义 Tongyi DeepResearch 开源：30B 小激活 Web Agent，对标 OpenAI Deep Research
通义 Tongyi DeepResearch 正式开源，作为面向长链路检索与推理的 Web Agent，在相同任务下接近 OpenAI Deep Research。官方披露 Humanity’s Last Exam 32.9、BrowseComp 45.3、xbench-DeepSearch 75....
Admin •
191