在醫(yī)學研究領域，隨著數(shù)據(jù)量的爆炸式增長和研究復雜性的不斷提高，傳統(tǒng)的研究方式面臨著諸多挑戰(zhàn)。研究人員需要花費大量時間在文獻調(diào)研、實驗設計、數(shù)據(jù)分析等繁瑣的流程上，這極大地限制了科研效率和創(chuàng)新速度。為了解決這一問題，清華大學自動化系推出了一款名為OpenLensAI的全自主人工智能研究助手，它能夠模擬人類研究員的工作流程，實現(xiàn)醫(yī)學研究全流程的自動化，為醫(yī)學研究帶來了一場深刻的變革。一、項目概述OpenLensAI是...

在人工智能領域，語音處理技術(shù)一直是研究的熱點之一。隨著大語言模型（LLM）的快速發(fā)展，語音語言模型在語音理解、生成和編輯等方面取得了顯著進展。然而，現(xiàn)有的大多數(shù)語音模型要么將理解與生成任務的表示分離，要么采用離散化表示，導致語音細節(jié)損失。為了解決這些問題，螞蟻集團推出了MingUniAudio，這是一個基于統(tǒng)一連續(xù)分詞器的語音大模型，能夠同時處理語音理解、生成和編輯任務。一、項目概述MingUniAudio是螞蟻集團開源...

在當今快節(jié)奏的工作與學習環(huán)境中，制作演示文稿是一項頻繁且重要的任務。然而，傳統(tǒng)的PPT制作方式往往耗時費力，需要反復構(gòu)思內(nèi)容框架、設計頁面布局、尋找合適的配圖等。PresentationAI的出現(xiàn)，為這一痛點提供了全新的解決方案。它通過AI技術(shù)，能夠快速生成高質(zhì)量的演示文稿，極大地提高了工作效率，讓使用者可以將更多精力投入到核心內(nèi)容的創(chuàng)作與演講本身中。一、項目概述PresentationAI是由ALLWEONE團隊推出的一款開源AI演示...

在人工智能快速發(fā)展的今天，大語言模型的安全性問題日益受到關注。為了確保模型輸出內(nèi)容的安全性和可靠性，阿里云通義千問團隊推出了Qwen3Guard，一款專為安全防護設計的護欄模型。它基于強大的Qwen3基礎架構(gòu)打造，能夠高效識別用戶輸入提示和模型生成回復中的潛在風險，為人工智能交互提供精準、可靠的安全保障。一、項目概述Qwen3Guard是阿里云通義千問團隊推出的安全防護模型，旨在為Qwen系列大語言模型提供全面的安全保障。...

在當今數(shù)字化時代，人工智能技術(shù)正以前所未有的速度發(fā)展，其中文本嵌入模型作為自然語言處理領域的核心技術(shù)之一，扮演著至關重要的角色。谷歌作為人工智能領域的領軍者，近期開源了一款名為EmbeddingGemma的文本嵌入模型，它專為移動端等日常設備設計，具有輕量化、高性能、多語言支持等諸多優(yōu)勢，有望在眾多應用場景中大放異彩。一、項目概述EmbeddingGemma是一款基于Gemma3架構(gòu)的3.08億參數(shù)多語言文本嵌入模型，專為在手機、...

在人工智能領域，開源大模型的出現(xiàn)為全球開發(fā)者和研究人員帶來了新的機遇。瑞士近日正式推出了其首個完全開源的大語言模型——Apertus。這一模型由瑞士聯(lián)邦理工學院（EPFL）、蘇黎世聯(lián)邦理工學院（ETHZurich）和瑞士國家超級計算中心（CSCS）聯(lián)合研發(fā)，旨在推動透明、開放且合規(guī)的AI發(fā)展。。一、項目概述Apertus是瑞士首個大規(guī)模開放的大型語言模型（LLM），具有多語言處理能力，覆蓋了超過1000種語言，其中40%的數(shù)據(jù)來自非英語...

隨著人工智能技術(shù)的飛速發(fā)展，多模態(tài)大語言模型（MLLMs）在理解視覺輸入和遵循用戶指令方面取得了顯著進展。這為移動設備上的復雜任務自動化帶來了新的可能性。然而，將這些模型應用于現(xiàn)實世界的移動場景仍面臨諸多挑戰(zhàn)，例如長時任務執(zhí)行、錯誤恢復困難以及在不熟悉環(huán)境中啟動時的冷啟動問題。為了解決這些挑戰(zhàn)，MadeAgents團隊推出了MobileUse項目，旨在通過分層反思架構(gòu)和主動探索模塊，實現(xiàn)移動設備上的魯棒性和自適應任務...

在云計算和開發(fā)運維（DevOps）日益普及的今天，運維人員和開發(fā)人員常常需要在復雜的命令行環(huán)境中進行操作，這不僅效率低下，還容易出錯。為了改善這一現(xiàn)狀，Chaterm應運而生。一、項目概述Chaterm是一款開源的智能、安全的AI終端工具，由一群DevOps專家開發(fā)，專為云從業(yè)者和開發(fā)運維人員設計。它基于AIAgent，讓用戶能夠用自然語言代替復雜的命令行操作，提供基于個人知識庫的智能補全功能，支持高精度語音命令輸入，具備跨平臺...

隨著人工智能技術(shù)的飛速發(fā)展，具身智能成為了當前研究的熱點領域之一。具身智能強調(diào)智能體通過身體與環(huán)境的交互來實現(xiàn)對世界的理解和任務執(zhí)行。在這一背景下，阿里達摩院推出了RynnEC世界理解模型，為具身智能的發(fā)展注入了新的動力。一、項目概述RynnEC是阿里巴巴達摩院推出的一款專為具身認知任務設計的視頻多模態(tài)大語言模型（MLLM）。它能夠從位置、功能、數(shù)量等11個維度全面解析場景中的物體，支持物體理解、空間理解以及視...

在當今數(shù)字化時代，企業(yè)與研究機構(gòu)面臨著海量文檔數(shù)據(jù)的管理和利用挑戰(zhàn)。如何高效地解析、檢索并理解這些文檔內(nèi)容，成為提升工作效率和知識傳遞的關鍵。騰訊開源的WeKnora項目，憑借其強大的文檔理解與語義檢索能力，為企業(yè)和科研人員提供了一種全新的解決方案。一、項目概述（??WeKnora是什么？）WeKnora是騰訊開源的基于大語言模型（LLM）的文檔理解與語義檢索框架。它采用模塊化設計，支持多模態(tài)文檔解析（如PDF、Word、圖片...

在人工智能技術(shù)飛速發(fā)展的今天，文本轉(zhuǎn)語音（TTS）技術(shù)已經(jīng)廣泛應用于各個領域，從智能語音助手到教育工具，再到輔助技術(shù)等。然而，傳統(tǒng)的TTS模型往往體積龐大，依賴高性能硬件和網(wǎng)絡連接，限制了其在資源受限環(huán)境中的應用。KittenML團隊推出的KittenTTS項目，以其輕量化設計和強大的離線運行能力，為這一問題提供了全新的解決方案，為開發(fā)者和用戶帶來了新的選擇。一、項目概述（??KittenTTS是什么？）KittenTTS是由KittenML團...

隨著AI任務的復雜性不斷增加，VLM需要具備更強的推理能力，以實現(xiàn)復雜問題的解決、長文本理解以及多模態(tài)交互。最近，智譜推出了GLM4.5V。一、項目概述GLM4.5V是智譜推出的最新一代視覺推理模型，基于106B參數(shù)規(guī)模構(gòu)建，擁有12B激活能力，是目前領先的視覺語言模型（VLM）。它繼承了GLM4.1VThinking的優(yōu)秀架構(gòu)，并結(jié)合新一代文本基座模型GLM4.5Air進行訓練，具備卓越的視覺理解、推理能力以及多模態(tài)交互功能，廣泛適用于網(wǎng)頁前端...

一、技術(shù)原理（一）模塊化架構(gòu)設計視覺模塊：采用輕量級視覺Transformer（如SmolVLM2256M中的SigLip93M），提取圖像特征后通過PixelShuffle降采樣，減少Token數(shù)量。文本模塊：使用Qwen30.6B作為語言模型基座，保留其函數(shù)調(diào)用、推理等能力。融合模塊：通過輕量級MLP將視覺特征（768維）映射到文本空間（576維），實現(xiàn)跨模態(tài)對齊。（二）上下文格式設計為兼容Qwen3原有結(jié)構(gòu)，圖像特征以如下格式插入上下文：<imstart>user<visions...

?最近騰訊公司推出的開源項目“HunyuanWorld1.0”，憑借其強大的沉浸式3D世界生成能力，為創(chuàng)作者提供了一個全新的工具，有望推動3D內(nèi)容創(chuàng)作邁向新的高度。一、項目概述騰訊混元3D世界生成模型HunyuanWorld1.0是業(yè)界首個開源且兼容主流圖形管線的3D世界生成模型，能夠通過文本或圖片輸入生成沉浸式、可漫游、可交互的3D場景。它采用生成式架構(gòu)，結(jié)合全景圖像合成與分層3D重建技術(shù)，實現(xiàn)了高質(zhì)量的3D場景生成，支持導出為3D網(wǎng)格...

?RAGAnything是一個由香港大學數(shù)據(jù)智能實驗室開發(fā)的開源多模態(tài)RAG系統(tǒng)，支持處理包含文本、圖像、表格和公式的復雜文檔，提供從文檔攝取到智能查詢的端到端解決方案。系統(tǒng)基于多模態(tài)知識圖譜、靈活的解析架構(gòu)和混合檢索機制，顯著提升復雜文檔處理能力，支持多種文檔格式，如PDF、Office文檔、圖像和文本文件等。一、技術(shù)原理（一）圖增強文本索引RAGAnything基于LLM從文本中提取實體（節(jié)點）及其關系（邊），將信息用于構(gòu)建知...

在AI大模型與瀏覽器自動化技術(shù)快速融合的今天，ChromeMCPServer作為一款創(chuàng)新的開源項目，正引起開發(fā)者和AI研究者的廣泛關注。該項目通過模型上下文協(xié)議(MCP)將Chrome瀏覽器的強大功能開放給AI助手，實現(xiàn)了在保留用戶習慣和登錄狀態(tài)前提下的智能瀏覽器控制。一、項目概述ChromeMCPServer是一款基于Chrome擴展的模型上下文協(xié)議(MCP)服務器，它能夠?qū)hrome瀏覽器的完整功能開放給AI助手(如Claude)，使AI能夠直接控制用戶日常使用...

StreamOmni是中國科學院計算技術(shù)研究所、中國科學院人工智能安全重點實驗室及中國科學院大學聯(lián)合推出的類似GPT4o的大型語言視覺語音模型，能夠同時支持文本、圖像和語音等多種模態(tài)的交互。一、項目概述?StreamOmni是一個基于大型語言模型（LLM）的多模態(tài)交互模型，能夠同時處理文本、圖像和語音三種模態(tài)的輸入，并生成相應的文本和語音輸出。該模型通過序列維度拼接和層維度映射的方式，實現(xiàn)了視覺與文本的對齊，以及語音與文...

在人工智能領域，多模態(tài)大語言模型的發(fā)展正逐漸改變著我們對智能交互的認知。騰訊聯(lián)合清華大學深圳國際研究生院、香港中文大學和香港大學等機構(gòu)，共同推出了名為MindOmni的多模態(tài)大語言模型，它在視覺理解、文本到圖像生成、推理生成等方面展現(xiàn)出了強大的能力，為多模態(tài)AI的發(fā)展開辟了新的路徑。一、項目概述MindOmni是一個由騰訊ARCLab聯(lián)合清華大學深圳國際研究生院、香港中文大學和香港大學等推出的多模態(tài)大型語言模型。它基...

在當今數(shù)據(jù)驅(qū)動的時代，數(shù)據(jù)分析已成為企業(yè)和研究者不可或缺的工具。然而，傳統(tǒng)的數(shù)據(jù)分析方法往往需要專業(yè)的技術(shù)知識，這使得非技術(shù)背景的用戶難以高效地利用數(shù)據(jù)。開源項目PandasAI的出現(xiàn)，為這一問題提供了創(chuàng)新的解決方案。它通過自然語言處理和大語言模型（LLM），讓數(shù)據(jù)分析變得更加直觀和易于操作。一、項目概述：PandasAI，讓數(shù)據(jù)“開口說話”PandasAI是一個基于Python的開源平臺，由SinaptikAI團隊開發(fā)。它通過結(jié)合大語...

在人工智能快速發(fā)展的今天，肖像動畫生成技術(shù)已經(jīng)成為影視、游戲、教育等多個領域的重要應用。然而，現(xiàn)有的肖像動畫生成方法大多依賴于復雜的訓練過程和大量數(shù)據(jù)，難以快速適應多樣化的角色和場景。FaceShot作為一項創(chuàng)新技術(shù)，突破了傳統(tǒng)方法的限制，為肖像動畫生成帶來了新的可能性。一、項目概述FaceShot是由同濟大學、上海AILab和南京理工大學聯(lián)合推出的一種新型無需訓練的肖像動畫生成框架。它通過外觀引導的地標匹配模塊和...