DeepSeek-OCR 2 发布：Visual Causal Flow 让文档与图表识别更“像人类阅读”
一、摘要 DeepSeek-OCR 2 是 DeepSeek 开源的 OCR/文档理解模型版本升级，项目以 “DeepSeek-OCR 2: Visual Causal Flow” 为主题，强调更贴近人类的视觉编码方式，面向复杂版式（文档、图表、混排页面等）提供更强的结构化抽取与理解能力。官方仓库与...
Admin •
288
Kimi K2.5 开源多模态智能体全解：视觉编程与 Agent Swarm 并行协作
一、摘要 Kimi K2.5 是 Moonshot AI 发布的开源“视觉 + 智能体（Agentic）”多模态模型，支持图像/视频与文本统一输入，并提供对话模式与 Agent 模式。其重点方向包括：视觉驱动的编码与视觉调试、长链路工具调用、以及可自编排的并行多智能体机制（Agent Swarm，测...
Admin •
318
Qwen3-TTS 开源发布：12Hz 高压缩 tokenizer + 3 秒音色克隆怎么玩
一、摘要 Qwen3-TTS 是 Qwen 团队开源的文本转语音（TTS）模型系列，包含 VoiceDesign（文字描述生成新音色）、CustomVoice（指令控制既定高质量音色）与 Base（快速音色克隆与微调基座）。项目同时开源代码与权重，并提供 12Hz 语音 tokenizer 以实现更...
Admin •
227
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 •
186
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 •
180
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 •
233
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 •
233
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 •
495