Qwen3-VL：引领多模态交互新范式
多模态不只是图文拼贴 市面上号称“理解图像 + 对话”的模型不少，但能真正在产品中接管操作、进行图形编程、面向任务完成交互的，多数仍停留在演示层面。Qwen3-VL-235B-A22B-Thinking，来自通义千问团队，是一款不太“礼貌”的选手：它不只是看图说话，而是真正能“看图干活”。 从功能...
2025年12月16日
1 分钟
探索前沿技术，分享实践经验，追踪行业动态
多模态不只是图文拼贴 市面上号称“理解图像 + 对话”的模型不少，但能真正在产品中接管操作、进行图形编程、面向任务完成交互的，多数仍停留在演示层面。Qwen3-VL-235B-A22B-Thinking，来自通义千问团队，是一款不太“礼貌”的选手：它不只是看图说话，而是真正能“看图干活”。 从功能...
GLM-4.6V 是智谱 AI 最新发布的多模态大模型，兼具高性能与实用性，彻底刷新了对视觉语言模型的期待。 模型架构与亮点 GLM-4.6V 系列包括两个版本：GLM-4.6V（106B）面向云端与大集群，GLM-4.6V-Flash（9B）则为本地场景精细裁剪，适配桌面助手与边缘部署。二者都具备...
前一阵子刷到一个很有意思的操作：有人直接把一台服务器的权限扔给了 AI，并简单说了句目标。 然后，AI 就从零开始安装环境、配依赖，拉仓库，启动服务，最后成功完成了对外服务的提供。 今天，我们就尝试下这个思路：让 TRAE SOLO 自行在远程服务器中搭建一套 MinerU 环境。 MinerU 首...
科技新鲜事，尽在掌握 当 AI 推理需求从实验室走向产业应用，算力供给方式正在经历一场静默革命：个人电脑秒变计算节点、网吧夜间闲置资源被激活、云平台闲时算力被精准调度……在这场变革中，一家成立仅两年的创业公司如何用平台模式重构算力市场？11 月 4 日，共绩算力联合创始人王鹏做客极新企服直播间，分享...
深入现场：AI_智能体，究竟什么才有效？.mp4(/assets/Hdg6bsNOXoZBqCx3n1pcIPk9nzg.mp4) 从能够自主完成复杂任务的超级助理，到颠覆整个行业的自动化大军，关于 AI 智能体（AI Agent）的讨论充满了天马行空的想象和巨大的期待。然而，在这些激动人心的愿景背...
深度代理的一个关键特性是它们能够访问一组文件系统工具。深度代理可以使用这些工具来读取、写入、编辑、列出并搜索文件系统中的文件。 在这篇文章中，我们将讲解为什么我们认为文件系统对代理来说很重要。为了理解文件系统为何有帮助，我们应先思考代理今天可能存在的不足之处。它们要么失败，要么是因为（a）模型不够好...
光学字符识别（OCR）技术早已渗透到我们工作和生活的方方面面，但传统的 OCR 方案往往像一个庞大而笨拙的工厂流水线，不仅部署复杂、维护成本高昂，而且环环相扣的流程极易导致错误累积，最终影响识别的准确性。现在，这一长期存在的挑战迎来了新的破局者。腾讯最近开源了一款名为 HunyuanOCR 的模型，...
多模态与多语种同时进化 图像理解和语言生成的结合一直是 AI 研究的热点，但跨语种支持通常是短板。Maya 的出现正在改写这一常识，由 Cohere For AI Community 打造，这款模型不仅打通了视觉与语言，还能在八种语言中稳定运行，包括中文、阿拉伯语和印地语。 架构与数据独特性 Ma...
专为真实图像优化的多语种 OCR NCSOFT 发布的 VARCO-VISION-2.0-1.7B-OCR，是当前视觉 OCR 模型里一个很值得关注的新成员。相较于那些动辄十几亿参数的多模态大家伙，这个模型只有 17 亿参数，但效果并没因为“瘦身”而缩水。 它不是普通的图文大模型（VLM），也不只...
VARCO-VISION-2.0-1.7B 是少数在端侧部署仍保有强大视觉理解能力的模型之一。由 NCSOFT 发布，这个多模态模型支持图文混合输入，并具备多图推理与文本本地化 OCR，专为韩文优化，但在英文任务中依然表现不俗。用轻量化模型处理结构化图像内容的能力，正在重塑移动设备上的 AI 应用格...
图像模型首次懂视频 LLaVA-Onevision 是一种由 LLaVA 团队发布的新型多模态大模型，结合了 Qwen2 的语言理解能力和视觉对齐能力。 这套模型的独特之处在于，它既能处理单图、多图，又能自然迁移至视频理解场景。对开发者来说，意味着一个统一的 API 可以让不同模态任务无缝切换。...
更小但更强的多模态利器 视觉语言模型赛道的惯性思维是，大就是强。打榜比拼中，MM1-30B、LLava-Next-34B 这些高参数巨兽长期霸榜。 然而 Hugging Face 推出的 Idefics2 推翻了这套逻辑：仅用 8B 参数，却能在一众大模型中杀出血路。这不仅是一次工程层面的胜利，更...
拆解轻量视觉模型的黑马 LLaVA-Phi-3-mini 是 XTuner 团队推出的一款多模态小模型，融合了 Microsoft 的 Phi-3-mini 和 OpenAI 的 CLIP-ViT-Large-patch14-336，经由 ShareGPT4V-PT 与 InternVL-SFT...
多模态终于进化到能读文档了 Hugging Face 带来了 Idefics3，一个重新定义视觉语言理解边界的开源模型。它不仅支持图文混合输入，更重要的是在文件分析和视觉推理场景中性能大幅跃升，让人第一次感到多模态模型真的有现实可用性。 Idefics3 的前身 Idefics2 就已经是 Hug...
多模态不是终点 它只是起点 微软最新发布的多模态模型 Magma 不是在走传统视觉语言模型那条老路。它针对的不是静态感知任务，而是让 AI 理解、计划并行动。换句话说，Magma 并不只是看图说话，更像是看图干活。 在整个 Agent 赛道，Magma 给出了一个令人信服的方向：AI 不止要理解世...
全新架构带来超长上下文 Llama 4 Scout 的问世，再次把上下文窗口拉到了一个几乎荒谬的长度——1000 万 token。这并非仅仅是一个宣传用的数据，在实际部署中，它确实可以处理数百万字的输入而不崩溃，更重要的是：模型理解长文的能力明显增强。 这与 Meta 在架构设计上的大刀阔斧直接相...
Transformer 是什么？ Transformer 是 2017 年 Google 提出的革命性深度学习架构，它彻底改变了自然语言处理（NLP）领域的游戏规则。今天我们将深入探讨这篇被誉为"改变 AI 历史"的论文——《Attention Is All You Need》，理解 GPT、BER...
时间理解才是图像编辑的新上限 图像生成的“智商门槛”正在悄然提高，而 NVIDIA 刚发布的 ChronoEdit-14B 正好证明了这一趋势。这个模型不是传统意义上的图像编辑器，而是一个能理解“动作”并进行时序推理的世界模拟工具。它不仅能改图，还懂得改“怎么动”。 ChronoEdit 的最大亮...
共绩科技 2023 年成立于清华，专注于构建融合算力与电力的智能调度网络，旨在提供平价、可靠、绿色的算力服务，使 AI 技术真正普及至每个人。通过精细调度算法，已为多家 AIGC 领军企业及科研机构提供高效算力，目标提升资源利用率 60%。作为一群清华背景的年轻创新者，我们在 2023 年秋季获得奇绩创坛等投资，正引领算力革命，开启普惠科技新篇章。
