关注我，记得标星⭐️不迷路哦～
✨ 1: olmOCR
olmOCR是一个AI工具包，用于训练语言模型处理PDF文档，支持大规模并行处理，提供多种功能，包括文本解析、评估和过滤等。
olmOCR是一个用于处理复杂PDF文档的工具包，由艾伦人工智能研究所（AI2）开发。它主要利用大型语言模型（例如ChatGPT 4）对PDF文档进行自然文本解析。 olmOCR并非简单的OCR，而是整合了多种技术，包括：巧妙的提示策略以获得高质量的文本解析；用于比较不同处理流程版本的评估工具；基于语言和SEO垃圾内容的过滤功能；针对特定模型（如Qwen2-VL和Molmo-O）的微调代码；以及使用Sglang进行大规模PDF处理的流水线工具。 它支持本地和多节点（集群）运行，尤其适合处理海量PDF文档，并能与AWS S3和Beaker平台集成。 olmOCR的结果以Dolma格式的JSONL文件存储，并提供可视化工具方便查看。
地址：https://github.com/allenai/olmocr
✨ 2: DeepGEMM
DeepGEMM是一个高效的FP8矩阵乘法库，针对Hopper架构，性能优异，代码简洁易懂。
DeepGEMM是一个轻量级CUDA库，专为NVIDIA Hopper架构的Tensor Core高效执行FP8格式的通用矩阵乘法 (GEMM) 而设计。它支持普通GEMM和混合专家 (MoE) 模型的分组GEMM。DeepGEMM采用Just-In-Time (JIT)编译方式，安装无需编译，所有内核在运行时编译，代码简洁（核心内核约300行）。 它利用Hopper架构的TMA特性进行优化，并通过CUDA核心进行二级累加来解决FP8精度问题。尽管轻量级，其性能与经过专家调优的库相当甚至更好。
DeepGEMM主要应用于：
- 密集模型:
用于加速普通密集模型的矩阵乘法运算。 - MoE模型:
支持两种分组GEMM方式：连续布局 (contiguous layout)，用于模型训练的前向传递或推理预填充阶段；掩码布局 (masked layout)，用于推理解码阶段，尤其在启用CUDA图且CPU不知道每个专家接收的token数量的情况下。
地址：https://github.com/deepseek-ai/DeepGEMM
✨ 3: R1-OneVision
R1-OneVision是一个开源的多模态大语言模型，具备强大的推理能力，在视觉推理任务中表现出色。
R1-OneVision是一个开源的多模态大型语言模型，专注于深度推理能力。它融合了视觉和文本数据，能够对多模态信息进行精确解读，在数学、科学、深度图像理解和逻辑推理等领域表现出色。该模型基于Qwen2.5-VL进行微调，并在R1-OneVision数据集上训练，该数据集整合了LLaVA-OneVision和其他领域特定数据集，包含自然场景、科学问题、数学题、OCR内容和复杂图表等多种类型，旨在提升模型的深度推理能力。
R1-OneVision的性能在Mathvision、Mathverse和R1-Onevision-Bench基准测试中均优于Qwen2.5-VL-7B和GPT-4V，展现了其强大的多模态推理能力。 它的使用场景非常广泛，可以作为强大的AI助手，解决跨不同领域的各种问题，例如：解答结合图像的科学或数学问题，理解复杂的图表信息，以及进行基于图像和文本的逻辑推理等。 目前已发布了3B、7B和72B三个参数规模的模型。 项目由浙江大学的研究人员开发。
地址：https://github.com/Fancy-MLLM/R1-Onevision
✨ 4: Baichuan-Audio
百川-Audio是一个开源端到端语音交互模型，支持高质量、可控的实时中英双语对话。
百川智能开源了端到端的语音交互基础模型Baichuan-Audio，它整合了音频理解和生成能力，支持高质量、可控的实时中英双语对话。该模型包含两个版本：Baichuan-Audio-Base是未经过指令微调的基座模型，具有很强的可塑性；Baichuan-Audio则可以接收文本和音频作为输入，生成高质量的文本和音频输出，实现无缝的高质量语音交互，并保持预训练大语言模型的智能性，能够进行实时的语音对话。
Baichuan-Audio 的架构主要包含百川音频分词器、音频大语言模型和基于流匹配的音频解码器。音频首先被转换为离散的音频token，然后音频大语言模型交替生成文本和音频token，通过特殊token实现文本和音频模态的无缝切换。音频token由独立的音频头处理，并使用基于流匹配的音频解码器重建为高质量的梅尔谱图，最终通过声码器转换为音频波形。
地址：https://github.com/baichuan-inc/Baichuan-Audio
✨ 5: mycoder
MyCoder是一个开源的AI编程工具，基于Anthropic的Claude API，具备代码生成、迁移和重构等功能。
MyCoder是一个开源的单体代码库，包含MyCoder代理和命令行界面（CLI）。它利用Anthropic的Claude API，具备AI驱动能力，可以进行智能化的代码操作。其核心功能包括：可扩展的工具系统、并行任务执行、代码自修改能力、智能日志系统以及良好的用户兼容性（使用README、项目文件和shell命令构建上下文）。
地址：https://github.com/drivecore/mycoder
（文：每日AI新工具）