近期发表于arXiv的研究ThinkLite-VL通过创新性地应用蒙特卡洛树搜索（MCTS）技术量化样本难度，在视觉语言模型（VLM）领域取得突破性进展。该方法仅需11,000个训练样本即可显著提升模型推理能力，且无需依赖知识蒸馏...

近期，SilentView团队在GitHub开源了名为GigaTok的超大规模图像分词器项目，其参数量高达30亿（3B），在图像重建任务中展现出卓越性能。传统图像分词器在规模化过程中常面临性能崩溃问题，而GigaTok通过创新的解码器...

当前大多数针对连续信号的生成模型由于计算限制，通常需要在潜在空间中进行操作。然而，这项研究引入了一系列级联结构，使得生成过程可以直接在像素空间中进行。这一创新不仅显著提升了生成效率，还消除了对预训练变...

InteractVLM作为新一代视觉语言模型(VLM)，实现了从2D到3D的交互推理跨越。该模型通过创新性地利用强大的基础模型，结合多视角渲染技术，将2D推理能力提升至3D空间，能够精准分析人类与物体在三维环境中的接触关系。...

字节跳动团队最新发布的论文展示了如何在655k H100小时的“适度”计算预算下，训练出一个具有竞争力的70亿参数视频生成模型Seaweed-7B。该模型在多项时间敏感任务中表现出色，展现了强大的视频生成能力。这一突破不仅...

Delve近日正式推出计算机使用代理（Computer Use Agents）技术，该技术允许企业创始人和GRC（治理、风险与合规）团队自动捕获所有截图，以满足SOC 2（服务组织控制）合规要求。这一创新工具已在多个客户中取得显著成...

近日，一项创新性技术方案引发开发者社区关注：通过单一SQLite数据库表与少量cron定时任务即可构建完全可定制的AI助手系统。该方案突破传统AI agent复杂的架构设计，仅需基础组件即可实现对话记忆、任务调度等核心功...

近日，DeepSeek宣布将逐步推进其推理引擎的开源计划，这一举措旨在推动AI技术的普及与创新。DeepSeek推理引擎以其高效的模型推理能力和低延迟特性，在业界广受关注。开源后，开发者将能够自由访问和优化该引擎，进一...