- 博客(572)
- 资源 (8)
- 收藏
- 关注
RSS订阅原创 【MCP探索实践】蚂蚁AntV开源的可视化图表MCP Server Chart：高效数据可视化的利器
MCP Server Chart 是蚂蚁AntV团队推出的一款开源的可视化图表生成工具。它基于Model Context Protocol（MCP）协议，支持超过25种可视化图表，涵盖了常见的统计图表（如折线图、柱状图、饼图等）、关系类图表（如组织架构图、思维导图、网络图等）以及标注地图和路径地图。
2025-08-12 08:00:00
423
4
原创 【MCP探索实践】ROS MCP Server：自然语言控制机器人，从此告别复杂指令
**ROS MCP Server** 是一个基于 WebSocket 的跨平台机器人控制框架，旨在通过自然语言处理（NLP）技术，将用户输入的指令转化为 ROS/ROS2 的控制命令。该项目支持与 ROS 1 和 ROS 2 的兼容性，能够通过 `rosbridge` 与机器人系统进行通信，实现对机器人关节、传感器、移动平台等的控制。其核心优势在于无需修改原有机器人代码，即可通过自然语言指令进行交互操作，适用于多种机器人平台和开发环境。
2025-08-11 08:00:00
1034
40
原创 【AI大模型前沿】Nanonets-OCR-s：从学术论文到法律合同，智能识别公式、签名、表格与图像
Nanonets-OCR-s 是一款由 Nanonets 开发的先进图像到 Markdown 的 OCR 模型，它不仅能够从图像中提取文本，还能将文档转换为结构化的 Markdown 格式。该模型通过智能内容识别和语义标记，为大型语言模型（LLMs）的下游处理提供了理想的数据格式。Nanonets-OCR-s 在处理复杂文档时表现出色，具备多种智能功能，使其在文档处理领域具有广泛的应用前景。
2025-08-10 08:00:00
889
6
原创 【AI大模型前沿】Kwai Keye-VL：颠覆认知、国产多模态大模型突然发布，视频理解能力堪比人类
Kwai Keye-VL 是快手自主研发的多模态大语言模型，基于 Qwen3-8B 语言模型整合 SigLIP 初始化的视觉编码器，支持动态分辨率输入。该模型能够深度融合和处理文本、图像、视频等多模态信息，凭借创新的自适应交互机制与动态推理能力，致力于为用户打造更智能、更全面的多模态交互新范式。
2025-08-09 08:00:00
1103
6
原创 【AI大模型前沿】Osmosis-Structure-0.6B：小型语言模型在结构化信息提取中的突破
Osmosis-Structure-0.6B 是一款专门设计用于结构化输出生成的小型语言模型，其参数规模为 0.6B。尽管模型规模相对较小，但在处理结构化信息提取任务时表现出色，尤其在数学推理和问题解决领域。该模型通过在训练过程中强制关注每个键的值，显著提高了生成结构化响应的准确性。
2025-08-08 08:00:00
1922
3
原创 【AI大模型前沿】腾讯AI Lab开源的SongGeneration：音乐生成大模型的技术探索与实践
SongGeneration是腾讯AI Lab推出的一款基于大模型的音乐生成工具，它通过先进的技术架构和算法，实现了高质量的音乐生成。该项目支持文本控制、多轨合成、风格跟随等功能，能够满足创作者在不同场景下的音乐创作需求。
2025-08-07 14:22:14
969
2
原创 【AI大模型前沿】Vui：Fluxions-AI开源的轻量级语音对话模型，开启自然语音交互新时代
Vui是由Fluxions-AI团队开源的轻量级语音对话模型，基于LLaMA架构开发。该模型经过4万小时的对话训练，能够精准模拟真实对话中的语气词、笑声和停顿，提供沉浸式的交互体验。Vui提供了三种模型版本，分别适用于通用对话、单人上下文感知对话和双人互动对话场景。其轻量级设计支持在消费级设备上运行，无需依赖云端算力，解决了传统语音模型“重、假、难部署”的痛点，为语音交互技术的广泛应用提供了新的可能。
2025-08-07 08:00:00
932
原创 【AI大模型前沿】Stream-Omni：多模态交互的黄金三角 - 视觉、语音、文本的完美融合
Stream-Omni 是一个基于大型语言模型（LLM）的多模态交互模型，能够同时处理文本、图像和语音三种模态的输入，并生成相应的文本和语音输出。该模型通过序列维度拼接和层维度映射的方式，实现了视觉与文本的对齐，以及语音与文本的对齐，从而在视觉理解、语音交互和视觉引导的语音交互任务上表现出色。Stream-Omni 的训练仅需少量全模态数据，训练效率高，适合在资源有限的环境中部署。
2025-08-06 08:00:00
1412
50
原创 【AI大模型前沿】百度飞桨PaddleOCR 3.0开源发布，支持多语言、手写体识别，赋能智能文档处理
PaddleOCR 3.0是基于PaddlePaddle 3.0框架推出的全新一代OCR工具包，旨在为开发者提供高效、准确、易用的文本识别与文档解析能力。该版本支持五种语言的文本识别，包括简体中文、繁体中文、简体中文拼音、英文和日文，并且能够处理复杂的手写体文本。此外，PaddleOCR 3.0还引入了PP-StructureV3和PP-ChatOCRv4等新模型，实现了对PDF、图片等多格式文档的高精度解析与智能理解。
2025-08-05 08:00:00
1519
34
原创 【GitHub开源AI精选】InftyThink：浙大联合北大打造的无限深度推理范式，突破大模型长推理瓶颈
InftyThink是一种创新的大模型推理范式，由浙江大学和北京大学联合推出，旨在突破传统模型在长推理任务中的局限性。它通过分段迭代的方式，将复杂的推理过程分解为多个短片段，并在每个片段后生成中间总结，实现分块式思考。这种“锯齿形”内存模式显著降低了计算复杂度，使模型能够处理理论上无限长度的推理链，同时保持推理的准确性和效率。
2025-08-04 08:00:00
1254
36
原创 【GitHub开源AI精选】Salesforce开源项目MAS-Zero：零监督下的多智能体系统设计框架
MAS-Zero是Salesforce推出的一个创新的多智能体系统（MAS）设计框架，能够在无需人类监督的情况下自动设计和优化MAS。它基于元级设计，在推理时动态生成、评估和改进MAS配置，通过自验证机制从候选解决方案中选择最优结果。这一框架在数学推理、高级问答和代码生成等多个领域表现出色，且完全不依赖外部监督信号，展现了强大的自进化能力和灵活性。
2025-08-03 08:00:00
937
25
原创 【GitHub开源AI精选】MultiTalk：中山大学与美团联合打造的音频驱动多人对话视频生成框架
MultiTalk 是一个新型的音频驱动多人对话视频生成框架，由中山大学深圳校区、美团和香港科技大学联合开发。它能够根据多声道音频输入、参考图像和文本提示，生成包含多人互动且口型与音频一致的视频内容。通过创新的 Label Rotary Position Embedding (L-RoPE) 方法，MultiTalk 有效解决了多声道音频与人物绑定的问题，并借助部分参数训练和多任务训练策略，保留了基础模型的指令跟随能力。这一框架在多个数据集上表现出色，展现了强大的视频生成能力，适用于生成卡通。。。
2025-08-02 08:00:00
2084
原创 【GitHub开源AI精选】VRAG-RL：阿里通义推出的多模态RAG推理框架，助力视觉信息理解与生成
VRAG-RL是阿里巴巴通义大模型团队推出的视觉感知驱动的多模态RAG推理框架。它专注于提升视觉语言模型（VLMs）在处理视觉丰富信息时的检索、推理和理解能力，通过定义视觉感知动作空间，让模型从粗粒度到细粒度逐步获取信息，激活推理能力。该框架引入综合奖励机制，结合检索效率和基于模型的结果奖励，优化模型的检索和生成能力，在多个基准测试中显著优于现有方法，展现出强大的视觉信息理解潜力。
2025-08-01 08:00:00
1758
26
原创 【AI大模型前沿】GLM-4.5：智谱打造的开源SOTA模型，推理、代码与智能体能力融合先锋
GLM-4.5 是智谱推出的新一代旗舰模型，专为智能体应用打造，是首款原生融合推理、代码和智能体能力的开源 SOTA（State-of-the-Art）模型。它采用混合专家（MoE）架构，有两个版本：GLM-4.5（3550 亿参数，320 亿激活）和 GLM-4.5-Air（1060 亿参数，120 亿激活）。该模型在多个评测基准中表现卓越，综合性能达到开源模型的顶尖水平，尤其在代码智能体场景中表现优异。它支持混合推理模式，提供“思考模式”和“非思考模式”，兼顾复杂任务和即时响应需求。。。
2025-07-31 08:00:00
1286
22
原创 【GitHub开源AI精选】ContentV：字节跳动开源的高效文生视频模型框架，助力AI视频生成技术突破
ContentV是由字节跳动开源的80亿参数文生视频模型框架，旨在通过高效的训练策略和极简架构实现高质量视频生成。该项目通过将Stable Diffusion 3.5 Large的2D-VAE替换为3D-VAE并引入3D位置编码，结合多阶段训练策略和强化学习人类反馈框架，在仅使用有限计算资源的情况下，达到了85.14的VBench评分，仅次于Wan2.1-14B。ContentV不仅支持文本到视频的生成，还具备自定义视频参数、风格迁移与融合、视频续写和修改等多种功能，能够满足多样化的视频创作需求。
2025-07-30 08:00:00
868
2
原创 【GitHub开源AI精选】PandasAI：一键开启数据对话时代，非技术用户也能轻松上手
PandasAI 是一个基于 Python 的开源平台，由 Sinaptik AI 团队开发。它通过结合大语言模型（LLM）和检索增强生成（RAG）技术，使用户能够以自然语言的形式与数据进行交互。无论是技术专家还是非技术用户，都可以通过简单的对话方式快速获取数据洞察，极大地提高了数据分析的效率和可访问性。PandasAI 支持多种数据格式，包括 SQL 数据库、CSV 文件和 Parquet 文件，能够无缝集成到现有的数据生态系统中。
2025-07-29 08:00:00
1042
4
原创 【GitHub开源AI精选】Google AI Edge Gallery：谷歌赋能的离线AI模型探索利器
Google AI Edge Gallery是由谷歌开发的一个实验性应用，旨在让用户能够在本地设备上体验和使用机器学习（ML）及生成式人工智能（GenAI）模型。该项目支持在Android设备上运行，并且完全离线操作，用户可以轻松切换不同的预训练模型，进行图像问答、文本生成、多轮对话等操作，同时实时查看模型的性能指标。
2025-07-28 08:00:00
1603
37
原创 【GitHub开源AI精选】TEN VAD：高性能实时语音活动检测系统，助力AI对话系统高效交互
TEN VAD 是一款高性能的实时语音活动检测系统，专为企业级应用设计，能够精确地检测音频流中的语音活动。它基于先进的深度学习技术，通过高效算法和优化的模型结构，实现了低延迟、轻量级和高精度的语音检测。TEN VAD 支持多种操作系统（如 Linux、Windows、macOS、Android 和 iOS），并提供 Python 和 C 接口，方便开发者集成。其在智能语音助手、在线客服系统、视频会议软件等场景中表现出色，显著提升了交互体验。
2025-07-27 08:00:00
895
2
原创 【GitHub开源AI精选】Morphik：开源多模态检索增强生成工具，助力AI应用开发
Morphik是一个开源的多模态检索增强生成（RAG）工具，专为处理高技术性和视觉内容丰富的文档而设计。它支持对文本、PDF、图片、视频等多种格式的文件进行搜索和处理，采用ColPali等先进技术，能够理解文档中的视觉内容，并具备快速元数据提取功能。Morphik通过其强大的多模态嵌入技术、知识图谱构建能力以及灵活的数据管理与集成功能，为开发者提供了一个高效、灵活且易于使用的AI应用开发平台。其核心目标是帮助企业和开发者快速构建基于私有知识的AI应用程序，提升知识管理和应用开发的效率。
2025-07-26 08:00:00
720
2
原创 【GitHub开源AI精选】AgenticSeek：开源本地通用AI Agent、打造自主执行任务的智能助手
AgenticSeek是一个完全本地化的开源AI助手，旨在为用户提供一个自主执行任务的智能工具。它能够在本地设备上运行，无需依赖云端服务，从而确保用户数据的隐私和安全。AgenticSeek支持多种编程语言，具备智能任务拆解和执行能力，能够自主浏览网页、编写代码、规划复杂项目等。无论是旅行规划、代码生成还是信息搜索，AgenticSeek都能通过语音或文本交互的方式，为用户提供高效、便捷的AI服务。
2025-07-25 08:00:00
1974
原创 大模型之Spring AI实战系列（四十三）：Spring Boot + Ollama （Tool Calling）实现工具调用与对话记忆功能
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现智能工具调用功能，通过 `FunctionToolCallback` 扩展了 AI 助手的能力。本文将继续深入，介绍如何通过 **ChatMemory** 和 **ToolCallingManager** 实现更复杂的工具调用和对话记忆功能。
2025-07-24 08:00:00
924
1
原创 大模型之Spring AI实战系列（四十二）：Spring Boot + Ollama （Function Calling）实现智能工具调用功能
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现基于 Advisor 的 RAG 系统，通过封装的 RAG 流程简化了知识库问答系统的开发。本文将继续深入，介绍如何通过**智能工具调用（Function Calling）** 功能来扩展 AI 助手的能力。
2025-07-23 08:00:00
777
原创 大模型之Spring AI实战系列（四十一）：Spring Boot + Ollama 实现基于Advisor的RAG系统
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现 RAG（Retrieval-Augmented Generation）系统，将文档上传到向量数据库并结合大模型生成回答。本文将继续深入，介绍如何通过**Advisor API** 来简化 RAG 系统的实现。
2025-07-22 08:00:00
1672
原创 大模型之Spring AI实战系列（四十）：Spring Boot + Ollama 实现RAG（Retrieval-Augmented Generation）系统
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现向量数据库集成，将文本信息转化为数值向量并进行高效的语义搜索。本文将继续深入，介绍如何通过**RAG（Retrieval-Augmented Generation）** 技术来构建一个完整的问答系统。
2025-07-21 08:00:00
1360
2
原创 大模型之Spring AI实战系列（三十九）：Spring Boot + Ollama 实现向量数据库集成
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现文本向量嵌入功能，将文本信息转化为数值向量形式。本文将继续深入，介绍如何通过**向量数据库（Vector Store）** 技术来存储和检索这些向量数据。
2025-07-20 08:00:00
2038
3
原创 大模型之Spring AI实战系列（三十八）：Spring Boot + Ollama 实现文本向量嵌入功能
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现多模态交互功能，让 AI 助手能够理解和生成更加复杂和多样化的内容。本文将继续深入，介绍如何通过**文本向量嵌入（Text Embedding）** 功能来将文本转换为向量表示。
2025-07-19 08:00:00
890
3
原创 大模型之Spring AI实战系列（三十七）：Spring Boot + Ollama 实现多模态交互功能
在前几篇文章中，我们分别介绍了如何使用 Spring AI 框架实现系统提示词和结构化输出功能。本文将在此基础上继续深入，介绍如何通过**多模态交互（Multimodal Interaction）** 功能来结合文本和图像进行更丰富的对话。多模态交互是一种强大的技术，它允许我们将文本、图像等多种类型的数据融合在一起，使 AI 助手能够理解和生成更加复杂和多样化的信息。例如，用户可以通过上传一张图片并询问“这张图片里有什么内容？”AI 助手则会分析图片并生成相应的描述。
2025-07-18 08:00:00
1757
43
原创 大模型之Spring AI实战系列（三十六）：Spring Boot + Ollama 实现结构化输出功能
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现系统提示词功能，让 AI 助手具备个性化的人格和风格。本文将在此基础上继续深入，介绍如何通过**结构化输出（Structured Output）** 功能来规范 AI 的输出格式。结构化输出是一种强大的工具，它允许我们将 AI 生成的内容以特定的数据结构返回，如 [List]、`Map` 或自定义的 Java Bean。这在开发需要与前端或其他系统交互的应用时尤为重要，因为它确保了数据的一致性和可预测性。
2025-07-17 08:00:00
1611
39
原创 大模型之Spring AI实战系列（三十五）：Spring Boot + Ollama 实现系统提示词功能
在上一篇文章中，我们介绍了如何使用 Spring AI 框架实现上下文记忆功能，让聊天机器人具备"记忆力"。本文将在此基础上继续深入，介绍如何通过**系统提示词（System Prompt）** 功能来定制 AI 的人格、语气和风格。系统提示词是一种强大的工具，它允许我们定义 AI 的角色定位、回答风格以及与用户的互动方式。通过合理设置系统提示词，我们可以创建出具有不同个性的 AI 助手，如幽默风趣的朋友、专业严谨的法律顾问或亲切友好的客服代表。
2025-07-16 08:00:00
1341
31
原创 大模型之Spring AI实战系列（三十四）：Spring Boot + Ollama 实现聊天上下文记忆功能
在上一篇文章中，我们介绍了如何使用 Spring AI 框架与 Ollama 进行集成，并通过 `ChatClient` 和 `OllamaChatModel` 实现了基础对话功能。然而，在实际的企业级应用中，仅仅实现单轮对话是远远不够的。为了让 AI 聊天机器人具备"记忆力"，能够理解上下文并进行连贯的多轮对话，我们需要引入**上下文管理机制**。本文将基于 `spring-ai-ollama-chatMemory` 示例项目，详细介绍如何构建一个支持上下文记忆的 Ollama 聊天服务。
2025-07-15 08:00:00
1182
18
原创 大模型之Spring AI实战系列（三十三）：Spring Boot + Ollama 实现本地部署AI聊天应用（10分钟搞定）
在人工智能技术飞速发展的今天，大语言模型已经成为推动技术创新的重要力量。Ollama 作为一个开源的大语言模型框架，让我们可以在本地环境中轻松运行和管理各种大型语言模型。Spring AI 则是 Spring 生态系统中用于集成人工智能功能的框架。本文将带你从零开始搭建一个基于 Spring Boot 的项目，集成 Ollama 大语言模型，实现一个简单的聊天机器人。
2025-07-14 08:00:00
1352
26
原创 【AI大模型前沿】MonkeyOCR：基于结构-识别-关系三元组范式的文档解析模型
**MonkeyOCR** 是一个基于 **Structure-Recognition-Relation (SRR) 三元组范式** 的文档解析模型，旨在通过结构检测、内容识别和关系预测三个阶段，实现对文档的高效、精准解析。该模型在多个中文和英文文档类型上均表现出色，尤其在表格、公式等复杂内容的识别上，相比现有方法有显著提升。此外，MonkeyOCR 支持多页文档的快速解析，推理速度达到 0.84 页/秒，远超其他主流模型。
2025-07-13 08:00:00
951
原创 【AI大模型前沿】Time-R1：伊利诺伊大学香槟分校开源的时间推理语言模型、实现过去→未来全链路推演
Time-R1 是伊利诺伊大学香槟分校研究团队开发的基于3B参数的语言模型，旨在通过强化学习训练方法赋予语言模型全面的时间推理能力，包括理解、预测和创造性生成。该模型通过三个阶段的训练——理解、预测和生成——逐步建立强大的时间逻辑映射，并能够对未来事件进行准确预测和合理场景生成。Time-R1 在多个时间推理任务中表现优异，甚至超越了参数量大得多的模型，如671B参数的 DeepSeek-R1。
2025-07-12 08:00:00
995
1
原创 【AI大模型前沿】SmolVLA：Hugging Face开源的轻量级视觉-语言-行动机器人模型
SmolVLA是由Hugging Face开源的一个轻量级视觉-语言-行动（VLA）模型，专为经济高效的机器人设计。该模型拥有4.5亿参数，能够在消费级GPU甚至CPU上运行，支持在MacBook等设备上部署。SmolVLA基于开源数据集训练，数据集标签为“lerobot”，并引入了异步推理堆栈，显著提高了机器人的响应速度和任务吞吐量。它在多模态输入处理、动作序列生成等方面表现出色，适用于多种机器人应用场景，如物体抓取与放置、家务劳动、货物搬运等。
2025-07-11 08:00:00
982
原创 【AI大模型前沿】MiniCPM 4.0：面壁智能开源的端侧大模型（小版本、低消耗、极致提速）
MiniCPM 4.0 是面壁智能推出的一款极致高效的端侧大模型，旨在为端侧设备提供高性能、低资源消耗的语言模型解决方案。该模型分为 8B 和 0.5B 两种参数规模，其中 8B 版本采用创新的稀疏架构，能够高效处理长文本任务，而 0.5B 版本则以低计算资源消耗和高性能著称。MiniCPM 4.0 通过自研的 CPM.cu 推理框架，实现了在极限场景下最高 220 倍的提速，常规场景下也能达到 5 倍的速度提升。
2025-07-10 08:00:00
876
1
原创 【AI大模型前沿】OmniAudio：阿里通义实验室的空间音频生成模型，开启沉浸式体验新时代
OmniAudio 是阿里巴巴通义实验室语音团队推出的一种从 360° 视频生成空间音频（FOA）的技术。它通过构建大规模数据集 Sphere360 和创新的模型架构，能够直接从 360° 视频生成标准的 3D 空间音频格式 FOA，捕捉声音的方向性，实现真实的 3D 音频再现。OmniAudio 的训练分为自监督的 coarse-to-fine 流匹配预训练和基于双分支视频表示的有监督微调，显著提升了空间音频生成的性能和沉浸感。
2025-07-09 08:00:00
1668
2
原创 【AI大模型前沿】DeepEyes：小红书与西安交大联合打造的多模态深度思考模型
DeepEyes是一个基于端到端强化学习训练的多模态深度思考模型，由小红书团队和西安交通大学联合开发。它通过动态调用图像工具（如裁剪和缩放）增强对细节的感知与理解，实现了视觉与文本推理的无缝融合。该模型在高分辨率图像的视觉搜索任务中表现出色，准确率高达90.1%，并显著减少了幻觉现象，提升了模型的可靠性和泛化能力。
2025-07-08 08:00:00
935
3
原创 【AI大模型前沿】Ming-Lite-Omni：蚂蚁集团开源的统一多模态大模型的创新实践
Ming-Lite-Omni是由蚂蚁集团开源的统一多模态大模型，基于Mixture of Experts（MoE）架构设计，能够处理文本、图像、音频和视频等多种模态的数据，并生成高质量的文本和自然语音。该模型在多个模态基准测试中表现出色，具备高度的可扩展性和广泛的应用前景，适用于智能客服、内容创作、教育、医疗健康等多个领域。
2025-07-07 09:18:23
860
原创 【AI大模型前沿】CoGenAV：多模态语音表征新范式、通义联合深技大打造、噪声环境WER降低70%+
CoGenAV（Contrastive-Generative Audio-Visual Representation Learning）是由通义联合深圳技术大学共同开发的多模态学习模型，专注于音频和视觉信号的对齐与融合。该模型通过对比特征对齐和生成文本预测的双重目标进行训练，利用同步音频、视频和文本数据，学习捕捉时间对应关系和语义信息。CoGenAV仅需223小时的标记数据即可训练，展现出极高的数据效率，并在多种语音处理任务中表现出色。
2025-07-06 08:00:00
1031
1
原创 【AI大模型前沿】Pixel Reasoner：滑铁卢联合港科大等高校推出的视觉语言模型，助力视觉推理新突破
Pixel Reasoner 是一款基于像素空间推理增强的视觉语言模型，旨在通过直接操作视觉输入（如放大图像区域、选择视频帧等）来提升模型对视觉细节的捕捉能力。它采用两阶段训练方法，结合指令调优和好奇心驱动的强化学习，显著提升了视觉问答、视频理解等任务的性能。该模型在多个视觉推理基准测试中取得了优异成绩，展现了其在视觉密集型任务中的强大潜力。
2025-07-05 08:00:00
1063
各领域行业ChatGPT Prompt提示词大全
2024-06-05
CVP架构的企业级知识库落地
2024-05-26
面试必备十五问，面试难题预先知
2010-07-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人