深度代理如何利用文件系统进行上下文工程
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...
2025年12月8日
1 分钟
探索前沿技术，分享实践经验，追踪行业动态
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...
Emu3.5 是北京智源研究院（BAAI）推出的新一代多模态大模型，在架构层面做出了一个激进决策——不再区分视觉和语言的输入输出，而是通过统一的 token 序列进行处理。这种做法听起来简单，但一旦扩展到超过 10 万亿 token 规模的跨模态预训练，带来的语义一致性和生成流畅性，已经明显超过依赖...
NVIDIA 推出全新的 Nemotron Nano v2 12B VL 模型为多模态 AI 领域注入强劲动力。这款前沿模型由 NVIDIA 精心打造，旨在提供卓越的多图像推理、视频理解以及强大的文档智能处理能力，即日起便可用于商业部署。 核心亮点 Nemotron Nano v2 12B VL 最...
Embedding 模型是 AI 绘图中一个非常实用的工具，它能够将复杂的提示词效果压缩成一个小小的模型文件，让你轻松实现特定的艺术风格、人物特征或画面效果。这些模型通常只有几 KB 大小，但效果却非常强大，是提升图像生成质量的重要工具。 ComfyUI 作为目前最强大的 Stable Diffus...
在 AI 图像生成过程中，我们经常因为设备性能限制无法一次性生成大尺寸图片，通常需要先生成小尺寸图像再进行放大。ComfyUI 提供了多种图片放大方法，每种方法都有其独特的特点和适用场景。 本文将详细介绍 ComfyUI 中三种主要的图片放大方法：像素重新采样、SD 二次采样放大和使用放大模型放大图...
扩图（Outpainting）是 AI 绘图中一项非常实用的技术，它能够让你在原始图片的边缘区域继续生成内容，从而扩展图片的尺寸和视野范围。无论是补充画面缺失的部分、调整图片的宽高比例，还是创造更大场景的视觉效果，扩图都能帮你实现。 ComfyUI 作为目前最强大的 Stable Diffusion...
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。
