语言模型

如何构建一个能够可靠理解文本、图像、音频和视频，同时仍能高效运行的统一模型？来自哈尔滨工业大学深圳分校的研究团队推出了 Uni-MoE-2.0-Omni，这里一款全开放式全模态大型…

长久以来，我们只知道大型视觉语言模型（LVLM）会犯错，但始终缺乏一把“手术刀”，无法剖析其视觉感知的根源性缺陷。我们只知其然，不知其所以然。我们希望当 AI 模型观察图像时，不再…

Liquid AI 发布了 LFM2-VL-3B，这是一个用于图像文本到文本任务的 3B 参数视觉语言模型。它扩展了 LFM2-VL 系列，使其超越了 450M 和 1.6B 版本…

IBM 发布了Granite-Docling-258M，这是一个专为端到端文档转换而设计的开源 (Apache-2.0) 视觉语言模型。该模型旨在忠实布局地提取表格、代码、公式、列…

语音AI正在成为多模态AI领域最重要的前沿领域之一。从智能助手到交互式代理，理解和推理音频的能力正在重塑机器与人类互动的方式。然而，尽管模型的能力迅速提升，但评估模型的工具却未能跟…

Hugging Face 刚刚发布了FineVision，这是一个开放的多模态数据集，旨在为视觉语言模型 (VLM) 树立新标准。FineVision 拥有1730 万张图片、24…

拉脱维亚语言科技公司 Tilde 发布了 TildeOpen LLM ，这是一款专为欧洲语言构建的开源基础大型语言模型 (LLM) ，重点关注代表性不足且规模较小的国家和地区语言。…

NVIDIA 研究人员突破了大语言模型 (LLM) 推理领域长期存在的效率障碍，发布了Jet-Nemotron模型系列（2B 和 4B），其生成吞吐量比领先的全注意力机制 LLM …

新加坡人工智能研究院 (AISG) 发布了 SEA-LION v4，这是一个与谷歌合作开发的开源多模态语言模型，基于 Gemma 3 (27B) 架构。该模型旨在支持东南亚语言，包…

微软最新开源版本 VibeVoice-1.5B 重新定义了文本转语音 (TTS) 技术的边界。提供富有表现力、长篇幅、多说话人生成的音频，该音频获得麻省理工学院 (MIT) 许可，…

评估大语言模型（LLM）的成本在科学和经济上都耗资巨大。随着该领域竞相开发更大规模的模型，评估和比较这些模型的方法变得越来越重要，不仅是为了基准分数，更是为了做出明智的开发决策。艾…

本文将深入探讨 MCP 的起源、技术原理、优势、局限性、实际应用以及未来发展轨迹，并借鉴行业领袖的见解和截至 2025 年中期的早期实施案例。

本文介绍了在 iOS 平台上使用 MNN 框架部署大语言模型（LLM）时，针对聊天应用中文字流式输出卡顿问题的优化实践。通过分析模型输出与 UI 更新不匹配、频繁刷新导致性能瓶颈以…

Mistral AI 推出了Mistral Medium 3.1，在多模态智能、企业级应用以及大语言模型 (LLM) 的成本效益方面树立了新的标杆。凭借其快速发展的 AI 技术，M…

什么是 ProRLv2？ ProRLv2是 NVIDIA 延长强化学习 (ProRL) 的最新版本，专为突破大语言模型 (LLM) 的推理能力而设计。通过将强化学习 (RL) 步数…

谷歌研究院公布了一种用于微调大语言模型 (LLM) 的突破性方法，该方法可将所需的训练数据量减少高达 10,000 倍，同时保持甚至提升模型质量。该方法以主动学习为核心，并将专家的…

论文《大语言模型的上下文工程综述》将上下文工程确立为一门超越即时工程的正式学科，为设计、优化和管理指导大语言模型 (LLM) 的信息提供了一个统一的系统框架。 以下是其主要贡献和框…

NVIDIA 刚刚发布了Canary-Qwen-2.5B，这是一款突破性的自动语音识别 (ASR) 和语言模型 (LLM) 混合模型，目前以创纪录的 5.63% 的词错率 (WER…

奖励模型是将 LLM 与人工反馈对齐的基础组件，但它们面临着奖励黑客攻击的挑战。这些模型关注的是诸如响应长度或格式等表面属性，而不是识别诸如真实性和相关性等真正的质量指标。这个问题…

大语言模型(LLM)推动了机器翻译的进步，利用海量训练语料库翻译数十种语言和方言，同时捕捉细微的语言差异。然而，对这些模型进行翻译准确性的微调往往会损害其指令遵循和会话能力，而通用…