小米发布Xiaomi-OCR-0:0.8B 统一文档 OCR 视觉模型,多文档基准登顶小米推出了 Xiaomi-OCR-0,这是一款参数量为 0.8B 的统一视觉语言模型,专注于文档解析与以 OCR(光学字符识别)为中心的深度理解。 GitHub:https://github.com...多模态模型# Qwen3.5-0.8B# Xiaomi-OCR-0# 小米2周前490
面壁智能 MiniCPM-OCR 系列发布:1.3B 文档解析模型 + Jev 校验打分模型,高吞吐适配多推理后端面壁智能正式推出 MiniCPM-OCR 系列模型,专为高效文档解析与文字识别场景设计。该系列包含 MiniCPM-OCR 1.0 与 MiniCPM-OCR Jev,在复杂采集条件下兼顾解析质量与处...多模态模型# MiniCPM-OCR# MiniCPM-OCR 1.0# MiniCPM-OCR Jev2周前500
OXR:采用 RSI 递归自改进训练,1.3B 开源文档解析模型,精度速度双 SOTA,输出适配 Agent 的 Markdown/JSONSoMark 团队开源了文档解析模型 OXR(Optical Everything Recognition)。该模型参数量为 1.3B,将 PDF 和文档图片高效解析为 Agent-Friendly ...多模态模型# OXR# SoMark# 文档解析模型3周前590
百度开源 Unlimited OCR 2:SR-SWA 稀疏注意力加持,专门面向数百页超长文档解析百度正式开源了 Unlimited OCR 2,这是一款专为超长文档解析构建的 33.4 亿(3.34B)参数视觉语言模型。该模型能够在单次请求中高效解析数百页的书籍、申报文件和报告,其核心突破在于引...多模态模型# Unlimited OCR 2# 百度3周前500
阿里通义推出MAI-Gym:面向GUI智能体的一体化训练评测平台,一套框架同时支持手机/电脑/网页,最高支持2万并发环境阿里巴巴通义团队推出 MAI-Gym,是面向GUI图形界面智能体的一体化开放平台,用于智能体评估、交互轨迹采集、在线强化学习训练,覆盖移动端、桌面电脑、网页浏览器三类GUI环境,框架源代码即将发布。依...多模态模型# /MAI-Gym-9B# MAI-Gym# 阿里巴巴4周前550
面壁智能发布MiniCPM-V 4.7多模态模型:系列首款MoE版本,35B-A3B可在iPhone端侧流畅无损运行面壁智能推出新一代开源端侧多模态大模型 MiniCPM-V 4.7,提供35B-A3B、1B两个版本,35B-A3B是MiniCPM-V系列首个MoE架构模型。 GitHub:https://gith...多模态模型# MiniCPM-V 4.7# 面壁智能1个月前680
Perplexity 发布 pplx-embed-v2-late:双尺寸ColBERT风格多模态嵌入模型,MIT许可开源Perplexity 正式推出 pplx-embed-v2-late,一对ColBERT架构风格的多模态嵌入模型,分为0.6B轻量边缘版本与9B高质量版本,二者共享同一嵌入空间,支持文本、图片、渲染P...多模态模型# Perplexity# pplx-embed-v2-late1个月前650
谷歌发布 EmbeddingGemma 2:Apache2.0开源轻量多模态嵌入模型,设备端统一处理图文音视频谷歌推出 EmbeddingGemma 2,一款Apache 2.0协议开放、面向设备端的轻量多模态嵌入模型,能够把文本、代码、图像、音频、视频映射至同一个嵌入向量空间,在消费级本地硬件上完成跨模态语...多模态模型# EmbeddingGemma 2# 多模态嵌入模型# 谷歌1个月前950
BRIA AI 发布 fibo-scene-analyzer:基于Qwen3.6-35B-A3B微调,单模型一站式图像结构化解析BRIA AI 正式推出图像理解模型 fibo-scene-analyzer(FIBO Scene Analyzer [dev]),该模型由 Qwen3.6-35B-A3B 微调而来,单个模型即可一次...多模态模型# BRIA AI# fibo-scene-analyzer# Qwen3.6-35B-A3B1个月前800
Mistral正式发布Mistral Large 4「Le Chonk」:万亿总参数MoE模型,10月27日开放权重Mistral正式放出Mistral Large 4(ML4,代号Le Chonk)公开预览,这是一款万亿总参数稀疏混合专家多模态模型,输入支持多模态,输出为文本。这家巴黎AI企业计划经过约三周的开发...多模态模型早报# Le Chonk# Mistral# Mistral Large 41个月前1610
Reka 发布 Rho-1:19B 全模态推理大模型,单模型可理解生成视频并输出机器人动作Reka 推出 Rho-1 的研究预览版本,这是一款从头训练的19B全模态推理模型。单个神经网络就可以完成文本、图像、视频的理解与生成,同时输出机器人动作,用来替代传统多模态方案里,多个专用模型之间互...多模态模型早报# Reka# Rho-11个月前1020
英伟达发布表格基础模型Kumo Tabular:单次前向传播完成预测,支持商用英伟达正式推出 Kumo Tabular 表格基础模型(TFM),面向表格数据的分类与回归任务,和TabPFN、TabICL思路相近:直接把带标签的行作为上下文,单次前向传播即可预测新数据行,无需额外...多模态模型# Kumo Tabular# 英伟达# 表格基础模型2个月前890