搜索：多语言数据集

「多语言数据集」共找到 6578 篇相关文章

这样更公平：用jina-reranker-m0为多模态文档打分重排

文章指出多模态搜索领域给文档综合评分难，因文本与图像评分缺乏可比性。2025年4月发布的jina - reranker - m0可解决此问题，其两阶段检索流程能显著提升召回率，对多模态AI系统设计有启发。

印度 Sarvam AI 发布国家级模型 Sarvam - M，虽被赞为本土 AI 突破，支持 10 种本地语言，但上线两天仅 334 次下载，投资人批其成绩尴尬，还与韩国大学生模型对比，引发社区争论。

Anthropic 首届开发者大会发布 Claude 4 系列，含 Opus 4 和 Sonnet 4 两型号，编码、推理能力强。Opus 4 处理长任务出色，是最佳编码模型；Sonnet 4 经济高效，被 GitHub 等采用。Claude Code 工具也正式发布。

在全球新能源与智能交通变革中，中国无人驾驶企业改写竞争逻辑。百度旗下萝卜快跑凭借12年研发，跨越‘用户规模断层’鸿沟，以‘倍速出海’策略在全球出行革命中争夺主动权，其出海模式与技术能力值得关注。

文章提出并行扩展（ParScale）路线，在不增模型参数下，通过引入并行流提升性能。新扩展定律打破传统范式，两阶段后训练策略降成本，还适用于边缘设备，研究仍在进行。

北大校友、前OpenAI华人VP翁荔发布万字长文《Why We Think》，围绕“测试时计算”和“思维链”，探讨提升模型性能的方法，涉及心理学类比、基于Token的思考、分支与编辑等多方面内容。

文章是关于通过分析SASS代码提高内存受限CUDA程序性能的笔记。以向量复制程序为例，对比普通和向量化版本，通过查看SASS代码，解释向量化版本性能更快的原因是加载/存储数据量更大、启动块数更少。

随着语音应用场景普及，语音大模型响应慢成瓶颈。VITA团队开源端到端语音模型VITA - Audio，7B参数模型首次生成音频仅53毫秒，比同级别快3 - 5倍，完全开源，有超低延迟等优势。

近日，概念CoRT火了，它在CoT基础上加了“递归思考”，能让AI递归思考响应、生成替代方案并选最优，结合“结构化自我批判”提升推理力。不过网友质疑它是“新瓶装旧酒”。

作者认为最好用的知识库应用是Cursor，它有RAG能力，能处理代码和纯文本，可创建修改文档，具备搜索能力且会及时支持先进模型。作者还分享用Cursor配合文档工作的规则及使用示例。