AI自动化黑马！3B小模型吊打GPT-4？这款开源神器让AI替你上班！
Proxy Lite 是一个仅3B参数的开源视觉语言模型，通过轻量级设计和低资源占用特性，提供高效、便捷的网页自动化操作体验。它能够像真人一样观察浏览器状态、思考决策并执行任务，适用于网页抓取、自动表单填写等多种场景，帮助开发者构建AI驱动的浏览器控制系统。
视觉语言模型
社区供稿 | 阿里国际 Ovis2 系列模型开源: 多模态大语言模型的新突破
Ovis2是阿里巴巴提出的新型多模态大模型架构，显著提升了小规模和大规模模型的能力密度，并增强了思维链推理能力、视频处理能力和多语言OCR能力。它已在OpenCompass上展示了卓越的性能，并在多个数学推理榜单中排名前列。
李飞飞S1成本仅50美元性能媲美Deepseek-R1，Logic RL成功重现了 DeepSeek R1 Zero 模型
本文介绍了5个AI和机器学习相关项目及工具：s1用于测试时间缩放提高推理效率；R1-V通过强化学习提升视觉语言模型泛化能力与训练效率；deepseek.cpp是一个基于C++的CPU-only推理实现，旨在为DeepSeek大语言模型提供支持；Logic RL成功复现了DeepSeek R1 Zero逻辑难题数据集上的问题解决能力；OpenHealth则是一款本地运行的AI健康助手。
太卷了！阿里千问送新年大礼：Qwen2.5-VL视觉模型免费体验，解锁无限视觉智能
阿里千问家族迎来了新的旗舰级成员Qwen2.5-VL，重点提升视觉理解、智能体能力和长视频理解能力。亮点包括精准图像识别、智能交互与任务完成、长时间视频内容理解和结构化数据输出等。
重磅！字节发布UI-TARS大模型，三句话搞定电脑操作！碾压GPT-4！
字节发布UI-TARS视觉语言模型，能像人一样操控电脑界面，并在多项测试中击败GPT-4等对手。它具备感知、推理及行动能力，支持点击、输入等多种操作。UI-TARS通过SFT和DPO训练，在多个GUI代理基准测试中达到最佳成绩，还开源了桌面版应用。
大模型经典著作《大语言模型基础与前沿》
《大语言模型基础与前沿》介绍了大语言模型的基础和前沿知识，并探讨了其方法、应用场景及对环境的影响。内容全面且系统性强，适合高年级本科生和研究生、博士后研究人员等阅读。
英伟达联合清华、MIT推出史上最快绘画大模型
英伟达联合清华大学、麻省理工大学推出Sana绘画模型，相比传统扩散模型在模型大小和推理速度方面有显著提升。其优势在于深度压缩自动编码器和高效的线性DiT模块。
Vision Parse：将PDF文档转换为Markdown的智能工具
Vision Parse 是一款智能工具，利用先进的视觉语言模型能精准识别并提取文本、表格和公式，保留文档格式和层次结构，具备扫描文档智能处理、高级格式完整保留、多模型协同支持及私有化部署选项四大亮点。