Chroma 1.0 发布：全球首个开源端到端实时语音到语音模型
一、摘要 Chroma 1.0 是由 FlashLabs 训练并完全开源的端到端实时语音到语音模型，支持个性化语音克隆。模型无需传统 ASR→LLM→TTS 管线，可在约 150ms 内完成端到端响应，定位为研究级、可落地的实时对话方案，并作为 OpenAI Realtime 模型的开源替代。 二、...
Admin •
106
开源图像生成新选择：GLM-Image 的架构、能力与落地场景
一、摘要 GLM-Image 是 Z.ai 开源的图像生成模型，采用“离散自回归生成 + 扩散解码”的混合范式：自回归模块负责全局语义与布局规划，扩散解码器补足高保真细节。官方资料指出，它整体画质可对齐主流扩散路线，同时在文字渲染与知识密集型图像（海报、PPT、科普示意图）表现更突出。 二、核心特性...
Admin •
124
Baichuan-M3-235B 上线 Hugging Face：基于 Qwen3 的 235B 医疗决策大模型解读
一、摘要 Baichuan-M3-235B 是百川智能发布的医疗增强大语言模型，强调把“临床决策过程”作为训练目标：模型不仅回答问题，还会主动追问关键病史信息、组织鉴别诊断思路，并在生成中尽量约束不可靠的医学断言。官方在模型卡中公布了 HealthBench、HealthBench-Hard、幻觉评...
Admin •
175
DeepSeek Engram 解读：用 O(1) 查表式条件记忆，为大模型增加“新稀疏轴”
一、摘要 Engram 是 DeepSeek 开源的一种“条件记忆（Conditional Memory）”模块，核心思路是为 Transformer 增加可扩展的查表式记忆原语：把一部分更偏静态的模式/知识以 N-gram 记忆表的形式存起来，在推理时以近似 O(1) 的方式检索并与当前隐状态融合...
Admin •
158
Qwen3-VL-Embedding 与 Qwen3-VL-Reranker：多模态检索两阶段方案全解析
一、摘要 Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 是基于 Qwen3-VL 的开源多模态检索模型系列，面向“文本+图像+截图+视频+混合输入”的跨模态理解与检索。整体采用两阶段架构：先用 Embedding 做大规模向量召回，再用 Reranker 做细粒度相关...
Admin •
423
Qwen-Image-2512 开源发布：更真实的人像、更细腻的自然纹理与更强文字渲染
一、摘要 Qwen-Image-2512 是 Qwen-Image 文生图基础模型的 12 月更新版本，延续“原生文字生成/复杂排版”的定位，并重点增强三类体验：人像更逼真（减少常见“AI 感”）、自然材质更清晰（景观、水体、毛发、材料纹理更细）、文字渲染更可靠（版式与文本-图像组合更稳定）。官方还...
Admin •
158
HY-Motion 1.0 开源解析：腾讯混元 10 亿参数 DiT 文生动作模型上手指南
一、摘要 HY-Motion 1.0 是腾讯混元开源的文本到 3D 人体动作（text-to-motion）模型系列，基于 Diffusion Transformer（DiT）与 flow matching，将自然语言描述生成骨架驱动的 3D 角色动画序列，可进一步接入常见 DCC/引擎动画管线做重...
Admin •
382
腾讯混元 Tencent-HY-MT1.5 开源：1.8B 端侧翻译与 7B 云端协同实战解读
一、摘要 Tencent-HY-MT1.5（HY-MT）是腾讯混元开源的机器翻译模型套件，包含 1.8B（偏端侧/低资源）与 7B（偏云端/高质量）两种规模。官方强调其面向“端侧+云侧”协同部署：端上追求低延迟与低内存占用，云端追求更强质量与更稳健的复杂场景表现，并覆盖 33+ 语言/方言（含部分民...
Admin •
322