「视觉指令微调」共找到 1141 篇相关文章
字节开源高效解析文档图像的新型多模态模型Dolphin，快速将复杂的文档图像转化为结构化数据。
字节开源新型多模态模型Dolphin，采用“先分析后解析”范式，能将复杂文档图像转化为结构化数据。它有卓越性能和多种特性，还提供安装、推理使用指南。
阿里开源自主搜索AI Agent，搜论文、网站资讯无所不能
今天凌晨，阿里开源创新自主搜索AI Agent——WebAgent，具备端到端自主信息检索与多步推理能力。还介绍了WebDancer框架从数据构建到训练优化各阶段，助其完成复杂信息检索任务。
阿里QwenLong-32B：1W+超长Token推理，知识密集型复杂文档高效推理
文章介绍阿里QwenLong - 32B在长文本推理的能力。长文本推理有训练效率低和优化不稳定问题，QWENLONG - L1通过强化学习等解决，还阐述其组件、训练步骤，并给出实战代码及相关链接。
支持30种语言，多种中文方言 [四川话、粤语等]的颠覆性无分词器TTS系统
VoxCPM是无离散音频分词器的语音合成系统。VoxCPM2基于MiniCPM - 4构建，有20亿参数，支持30种语言和9种中文方言，具备音色设计、可控声音克隆等特性，还完全开源，商用就绪。
前端开的同学，天塌啦，AI把前端开发最后一公里给补上啦，不敢相信，太夸张啦～～～
Vercel Labs 开源的 agent - browser，是面向 AI Agent 的无头浏览器自动化 CLI。它解决了 AI 前端开发缺真实浏览器验证交互的问题，适用于多场景，有诸多对 AI 友好的特性，还介绍了使用方式。
拯救P图废柴，阿里上新多模态模型Qwen-VLo！人人免费可玩
昨夜阿里推出全新多模态模型Qwen-VLo，在原有能力上全面升级，有细节捕捉、图像编辑、多语言支持等亮点，不受固定格式限制。官方demo展示多种玩法，目前免费可玩，实测其编辑能力不错。
VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测
近年来，VLA模型成通用机器人控制重要路线，但模型大、动作更新慢的矛盾凸显。华中科技大学联合华为提出TurboVLA，绕开大语言模型，形成V+L→A路径，降低成本，保持操作能力。
Lucide 1.0 发布，移除品牌图标，并缩减数百万个项目的包大小
Lucide 1.0 发布，它是开源图标工具包，是 Feather Icons 分支。此次移除品牌图标，缩减 lucide - react 包大小，还引入上下文提供程序等改进，社区反响有赞有弹。
告别单打独斗！ClawTeam-OpenClaw 一键 spawn 整个 AI 开发团队
ClawTeam-OpenClaw 是多代理协调框架 OpenClaw 深度适配版，让 AI 代理自动组队协作。它有一键 spawn 团队、智能任务依赖管理等功能，在科研、开发、投资分析场景优势明显，介绍了使用方法和项目地址。
学术海报不用愁，一句话精准自动编辑，华东师大开源APEX
华东师范大学Planing Lab提出APEX框架，能通过自然语言指令实现学术海报局部可控编辑，引入「审查—调整」机制提升可靠性。还构建APEX - Bench评估，实验显示APEX优于其他方法。