FG-CLIP：360开源的中英双语细粒度视觉-文本对齐模型，实现跨模态精准匹配与理解
FG-CLIP是360开源的一系列细粒度视觉-文本跨模态对齐模型，专注于解决视觉与文本信息的精准匹配问题，尤其擅长细粒度特征对齐，且原生支持中英双语。该模型通过两阶段分层学...
SWE-1.5：Cognition.ai 开源方向软件工程 Agent 模型，兼顾 950 tok/s 高速与近 SOTA 编码性能
SWE-1.5是Cognition.ai推出的软件工程专用Agent模型，属于其“速度与智能兼顾”研发路线的核心成果，也是该团队继2025年10月16日发布“SWE-grep”（专注快速上下文工程的模...
深度学习中的微调是什么意思？零基础也能懂的技术解析
在深度学习领域，我们常听到微调这个关键词。微调（Fine-tuning）的核心逻辑，就是让这个“通才”通过少量特定任务数据的学习，快速适应新任务，成为“专才”。这一过程无需...
olmocr：开源文档 OCR 工具包，高效处理复杂格式文档并转换为结构化 Markdown
olmocr 是由AllenAI开源的文档 OCR 工具包，专注于将 PDF、PNG、JPEG 等图像格式的文档转换为结构化、可读的纯文本（尤其是 Markdown 格式）。它基于 7B 参数的视觉语言模型...
GPT是什么意思？一篇讲清它的原理与作用
GPT是自然语言处理（NLP）领域最具颠覆性的技术之一，自2018年OpenAI推出GPT-1以来，该技术已迭代至GPT-4，参数规模从1.17亿增长至1.8万亿，训练数据量突破5700亿单词。GPT...
Orpheus TTS：基于 LLM 的开源文本到语音合成工具，支持零样本克隆与低延迟流式推理
Orpheus TTS是由Canopy AI开发的开源文本到语音（TTS）系统，以Llama-3b大型语言模型（LLM）为骨干，突破性地将LLM能力应用于语音合成领域。该项目支持零样本语音克隆、可控...
OpenPI：开源视觉-语言-动作模型库，赋能机器人感知与交互能力
OpenPI是由Physical Intelligence团队开源的机器人智能模型工具包，核心目标是降低机器人“感知-理解-动作”全链路技术的开发门槛。它基于10k+小时的真实机器人交互数据，提...
零基础学AI大模型之解析器PydanticOutputParser
本文介绍了大模型应用开发中Pydantic解析器的使用展开，首先说明Pydantic解析器可解决非结构化文本转结构化数据的核心问题（结构化输出、数据验证、提升开发效率、增强程序...
DreamOmni2：开源多模态指令驱动的图像编辑与生成模型，支持跨模态参考与精准控制
DreamOmni2是一款开源多模态指令驱动图像编辑与生成模型，支持基于文本和图像参考的跨模态内容创作。其核心优势在于统一架构下兼顾生成与编辑任务，能精准保持对象身份、姿...
一文读懂大语言模型（LLM）工作机制：从原理到实用指南
本文通俗拆解大语言模型（LLM）工作机制，从核心原理（概率预测 token、Transformer 注意力机制）、五大技术架构模块、预训练 - 微调 - 对齐三阶段训练流程，到 “写智能台...