见路不走

摘要： GLM-TTS（Generative Language Model - Text-to-Speech）是由智谱 AI 的 CogAudio Group 开发的尖端开源文本转语音合成系统。该系统于 2025 年 12 月发布，通过结合大语言模型和强化学习优化，代表了语音克隆技术的重大进步。 阅读全文

摘要： DeepSeekMath-V2 是由 DeepSeek AI 团队于 2025年11月27日 发布的新一代数学推理模型，专注于**定理证明**和**自我验证**能力。与传统的数学 AI 模型不同，它不仅追求答案的正确性，更注重推理过程的严谨性和完整性。 阅读全文

摘要： HunyuanOCR 是腾讯混元团队推出的端到端 OCR 专用视觉语言模型（VLM），基于原生多模态架构，仅 1B 参数即可在文本检测、复杂文档解析、信息抽取、字幕提取、图像翻译等任务上获得行业领先结果。 阅读全文

摘要： ERNIE-4.5-VL-28B-A3B-Thinking是百度最新一代多模态AI模型,基于强大的ERNIE-4.5-VL-28B-A3B架构构建。这是一个专门针对视觉-语言理解任务优化的大语言模型,通过大规模中期训练阶段吸收了海量高质量视觉-语言推理数据。 阅读全文

摘要： 阿里通义实验室发布UI-Ins-7B和UI-Ins-32B，旨在通过创新的“指令即推理”范式，显著提升图形用户界面（GUI）基础（GUI Grounding）和自动化能力。 阅读全文

摘要： ChronoEdit: NVIDIA开发的新型图像编辑框架，将图像编辑视为视频生成任务，以确保物理一致性和时间连贯性。 阅读全文

摘要： DeepSeek OCR 并非传统的光学字符识别工具，而是一种探索“视觉-文本压缩”的前沿AI模型。它通过将长文本转换成图像进行处理，极大地降低了计算资源消耗。 阅读全文

摘要： 🎯 核心要点（TL;DR） 突破性成就：仅0.9B参数的模型在全球OmniBenchDoc V1.5排行榜上排名第一（综合得分：90.67） 全面领先：超越GPT-4o、Gemini 2.5 Pro、Qwen2.5-VL-72B等大型多模态模型 多语言支持：支持109种语言，涵盖中文、英文、日文、 阅读全文

摘要： 学习如何使用我们的网站或Chrome扩展程序下载Sora AI视频。本综合指南提供了两种不同方法下载Sora视频的分步说明，为最佳用户体验进行了优化。 阅读全文

摘要： Gemini 2.5 Computer Use 模型代表了 AI agent 技术的重大突破,首次实现了 AI 与图形用户界面的直接交互。其出色的性能、完善的安全机制和丰富的应用场景,为自动化、测试、数据采集等领域带来了革命性的可能。 阅读全文