Skyvern：开源浏览器工作流自动化工具，基于LLM与计算机视觉实现灵活可靠的网页交互
Skyvern是一款基于大语言模型（LLMs）和计算机视觉的开源浏览器工作流自动化工具，旨在解决传统自动化方案（如依赖XPath或DOM解析）的脆弱性问题。它通过视觉理解和逻辑推理...
DeepSeek-OCR：深度求索推出的开源 LLM 视角 OCR 工具，高效提取图像与文档文本
DeepSeek-OCR 是由 deepseek-ai 团队开源的高性能 OCR 模型，核心聚焦于从 LLM 视角探索视觉 - 文本压缩技术，支持图像、PDF 等多模态输入的文本提取。该模型提供 Native和...
Qwen3-VL：Qwen 系列推出的强大多模态 AI 模型，打通视觉与语言的智能融合
Qwen3-VL 是 Qwen 系列开源的强大多模态视觉 - 语言模型，支持图像 / 视频理解、文本交互、视觉代理等全场景任务，具备长上下文处理、空间感知、跨语言 OCR 等核心能力，提...
ChatGPT Atlas 来了！OpenAI 首款 AI 浏览器落地 macOS，跨页实时辅助 + 代理模式成亮点
2025年10月21日，OpenAI正式发布ChatGPT Atlas——一款以ChatGPT为核心构建的全新网页浏览器。这款产品突破传统浏览器的功能边界，旨在将AI“超级助手”体验融入网页使用全...
零基础学AI大模型之Stream流式输出实战
本文将聚焦LLM的Stream流式输出，从核心原理讲起，通过“故事小助手”“科普助手”两个实战案例，带你掌握从基础调用到LCEL表达式的流式落地，最后分析流式输出的优劣势与实...
LongCat-Audio-Codec：美团开源音频编解码方案，为 Speech LLM 提供超低比特率高保真令牌生成与解码
LongCat-Audio-Codec 是美团 LongCat 团队开源的音频编码（Tokenizer）与解码（Detokenizer）解决方案，专为语音大语言模型（Speech LLM）设计。该方案通过并行生成语义令牌...
nanoGPT：Karpathy 开源的极简型 GPT 开发工具，支持多硬件适配与 GPT-2 复现
nanoGPT是由AI研究者Andrej Karpathy开发的开源项目，基于PyTorch框架构建，定位为“最简单、最高效的中等规模GPT训练与微调仓库”。它是minGPT的重写版本，核心目标是“优...
OpenAssistant：开源AI对话聊天系统，支持协作式数据训练与多场景交互
OpenAssistant 是一款开源的AI对话聊天系统，旨在通过协作模式推动高质量聊天大型语言模型（LLM）的普及。项目提供开放的聊天交互界面、协作式数据收集平台、完整的模型训练...
MineContext：火山引擎推出的开源主动式上下文感知 AI 助手
MineContext 是火山引擎开源的主动式上下文感知 AI 助手，以 “挖掘并整合上下文” 为核心，将分散的多模态数据（文档、截图、音视频等）视为可组合的 “信息方块”，通过轻...
多模态融合语义分割：RGB-D 数据的应用探索
语义分割是计算机视觉领域的核心任务，RGB-D数据（RGB图像与深度图）的融合为语义分割提供了多模态信息，通过结合颜色、纹理与几何结构，显著提升了分割精度。本文系统梳理...