RLCM – 康奈尔大学推出的优化文本到图像一致性模型的框架
RLCM是什么 RLCM（Reinforcement Learning for Consistency Model）是康奈尔大学推出用在优化文本到图像生成模型的框架，基于…
百度千帆Qianfan-OCR震撼发布：4B参数端到端文档智能模型登顶权威评测，开源重塑OCR技术格局
💡 站外导读：传统OCR技术长期面临多阶段Pipeline的误差累积困境，文档解析需经过检测、识别、理解等多个独立模块串联，导致信息丢失与精度瓶颈。
PanoDreamer – 单张图像生成连贯360° 3D场景的新方法
PanoDreamer是什么 PanoDreamer是能够从单张图像生成连贯的360° 3D场景的新方法。这种方法不同于现有技术，它将问题构建为单图像全景和深度估计的两个…
LLM2LLM – 通过迭代数据增强提升大语言模型的技术
LLM2LLM是什么 LLM2LLM是创新的迭代数据增强策略，提升大型语言模型（LLM）在数据稀缺情况下的性能。方法通过基于一个强大的教师模型来生成合成数据，增强学生模型…
EdgeClaw：面壁智能联合清华开源AI智能体框架，首创三层数据安全协议，实现端云协同与本地隐私守护
💡 站外导读：随着AI Agent应用深入，数据隐私与计算成本成为核心痛点。企业及个人用户既渴望AI效率，又恐惧敏感信息上云泄露；纯云端方案面临高延迟与持续Token消耗…
VideoMaker – 浙大联合腾讯和华为推出的零样本定制视频生成框架
VideoMaker是什么 VideoMaker是浙江大学、腾讯和华为诺亚方舟实验室共同开发的创新项目，基于视频扩散模型（VDM）的零样本定制视频生成框架。与传统方法不同…
CodeElo – 阿里 Qwen 团队推出评估 LLM 编程能力的基准测试
CodeElo是什么 CodeElo 是用于评估大型语言模型（LLMs）在编程竞赛级别代码生成能力的基准测试工具。通过与人类程序员的 Elo 评级系统进行比较，来衡量 L…
IBM开源Granite-4.0-1b-speech：10亿参数多语言语音模型，六语种识别+双向翻译，边缘部署效率惊人
💡 站外导读：在全球化业务场景下，多语言语音处理一直面临“算力消耗大、识别准确率低、部署成本高”的痛点。传统大模型虽性能强劲，却难以在资源受限的边缘设备上高效运行。
TITAN – 哈佛医学院研究推出的多模态全切片病理基础模型
TITAN是什么 TITAN是哈佛医学院研究团队开发的多模态全切片病理基础模型，通过视觉自监督学习和视觉-语言对齐预训练，能在无需微调或临床标签的情况下提取通用的切片表示…
FlexRAG – 中科院推出的高性能多模态 RAG 框架
FlexRAG是什么 FlexRAG 是创新的检索增强生成（RAG）框架，解决传统 RAG 系统在处理长上下文时面临的计算成本高和生成质量不足的问题。通过将检索到的上下文…
TANGOFLUX – 英伟达联合新加坡科技设计大学开源的文本到音频生成模型
TANGOFLUX是什么 TANGOFLUX是高效的文本到音频生成模型，是新加坡科技设计大学（SUTD）和NVIDIA共同推出的。模型拥有约5.15亿参数，能在单个A40…
GeneralDyG – 南洋理工推出的通用动态图异常检测方法
GeneralDyG是什么 GeneralDyG 是南洋理工大学研究团队提出的通用动态图异常检测方法，解决动态图数据在社交网络、电商和网络安全等领域的异常检测问题。
YouClaw：Chat2DB团队开源免费AI Agent桌面客户端，零代码实现办公自动化与多平台管理
💡 站外导读：在AI工具百花齐放却大多需要技术配置的当下，Chat2DB团队推出的YouClaw直击了“想用AI却怕折腾”的普遍痛点。
MMedAgent – 专为医疗领域设计的多模态AI智能体，管理多种医疗任务
MMedAgent是什么 MMedAgent是专为医疗领域设计的多模态AI智能体，通过整合各种开源医疗模型来管理多种医疗任务。系统包括一个指令调整的多模态大型语言模型（M…
OpenHands – AI编程工具，多智能体协作实现代码编写、命令运行等
OpenHands是什么 OpenHands是AI编程工具，支持多智能体协作提高开发效率，减少开发者的编码工作量。OpenHands基于编写代码、与命令行交互和浏览网页等…
Hallo3 – 复旦联合百度开源的高动态与真实感肖像动画生成框架
Hallo3是什么 Hallo3是复旦大学和百度公司联合推出的，基于扩散变换器网络（Diffusion Transformer Networks）的肖像图像动画技术，能生…
