多模态模型

家居机器人必备！SpatialLM开源模型教你4步生成家庭3D数字孪生

作者

SpatialLM是群核科技开源的一款空间理解多模态模型，能够从普通手机拍摄的视频中重建精细3D场景，并标注房间结构、家具摆放和通道宽度等信息。其核心功能包括生成3D场景、提升机器人的空间认知能力、降低数据采集成本以及在虚拟现实中提供丰富场景支持。

刚刚，阿里Qwen2.5-Omni又开源，实时语音与视频，太卷了~

作者

Qwen2.5-Omni 是一款端到端的多模态模型，旨在感知包括文本、图像、音频和视频在内的多种模态，并以流式方式生成文本和语音响应。其关键特性包括Thinker-Talker架构、TMRoPE位置嵌入技术以及跨模态卓越性能等。

阿里巴巴开源的全模态大模型Qwen2.5-Omni，字节跳动开发的节点式工作流引擎，自动化注册Cursor Pro

作者

阿里巴巴开源的Qwen2.5-Omni大模型支持全模态感知与生成、实时交互和语音生成。Cursor Auto Register帮助用户自动化注册Cursor账号。字节跳动开发的FlowGram.AI是节点式工作流引擎，利用AI能力增强工作流程。n8n MCP Server是一个让AI助手通过自然语言控制n8n工作流的模型上下文协议服务器。LangGraph CUA库构建具有计算机操作能力的智能代理系统。

专注于将图像文档转换为结构化文本SmolDocling

作者

IBM Research 的 SmolDocling-256M-preview 是一个多模态文档处理模型，专注于将图像文档转换为结构化文本，并支持 OCR、代码块识别、数学公式转换和表格/图表解析等。其核心特性包括高效处理和精准元素识别，具备轻量级模型（基于 2.56 亿参数的 Idefics3 架构）以及开源协议。