AI.x社区

 昨天，DeepSeek开源了全新的DeepSeekOCR模型，采用“上下文光学压缩”技术，为解决长文本处理中的算力瓶颈提供了全新的思路。  DeepSeekOCR的核心创新在于它验证了一个直观却从未被系统论证过的假设：一张包含文档文本的图像，可以用比等效数字文本少得多的token来表示丰富信息。 简单来说，这个模型的核心思想是：用一张包含文档的图片，以比原始文本少得多的token数来表示相同的信息。 它不是在传...

​编辑云昭​出品51CTO技术栈（微信号：blog51cto）“现在是AI最糟糕的阶段！”如果你去翻看OpenAI、Anthropic这两家的Top10token消耗的玩家排行榜、无一例外都会发现，各种Code工具都会名列前茅。如今各种AICoding工具大行其道！不管是开发者、还是“外行人”，都在这股洪流中亲自给这个赛道做出了注解，这已经是不可逆转的大趋势。不懂编程的“外行人”，难掩兴奋：大家问我怎么实现的，我也答不上来——只是想做一个“外星终...

看到有人吐槽："现在的AI脑子进水了吧？"，紧接着展示了一个牛头不对马嘴的回复。说实话，当小编第一次接触AI时也经常遭遇类似挫败，后来发现了一个真相：不是AI笨，是我们不会问。prompt不是随便问问记得DigitalOcean的专家说过，prompt不仅仅是问题和指令，它是人类意图与机器输出之间的关键接口[据PromptEngineeringBestPractices]。可以把这个过程想象成教你家的狗握手：如果你说"伙计握手"，它可能困惑；但你先打响指再说"...

DeepSeekOCR是一个端到端的多模态文档解析模型，是Vary、GOTOCR2.0的后续，前期也有详细介绍《​​【多模态&文档智能】OCRfree感知多模态大模型技术链路及训练数据细节​​》。其核心目标是用极少的视觉token（visiontokens）解码出大量文本token（texttokens）。视觉token压缩比和性能比较VLMs中的典型视觉编码器：处理长文本时视觉token过多、激活内存大的问题多模态文档解析相关就不再过多介绍了，详细可以看专栏《​​​文...

背景在我借助AI进行开发的过程中，最常遇到的困扰并不是“AI写不出代码”，而是它写出的代码过于随意——有时误解了我的意图，有时给出的实现逻辑不够清晰，最终不得不由我逐一修正。后来，我尝试过像speckit、BMADMETHOD这类强调“规范驱动开发”的工具。理念虽好，实际使用起来却不够顺畅，而且它们更适用于从零启动的项目。但在公司实际环境中，大多数项目并非从头开始，更多场景是在现有代码基础上开发新功能或重构旧模块。...

Deepseek最新发布的OCR模型在实测中展现出惊人效率，仅用15秒便将百页PDF完整转换为Markdown格式，且Token消耗量仅为GPT4V的十分之一。经过对源码的深入解析，我们归纳出其三大核心技术突破，这些创新共同将OCR性能提升至全新水平。性能表现一览Token压缩效率：达到64:1（行业普遍水平为16:1）处理速度：在A100上实现每秒2500token文档转换：100页PDF仅耗时15秒识别精度：在OmniDocBench测试中获得91.0%准确率横向对比显示：相...

大家好，我是玄姐。在AI工具从“通用响应”向“场景化落地”演进的过程中，Anthropic推出的ClaudeSkills并非简单的功能叠加，而是一套重构AI任务执行逻辑的技术架构方案。它通过模块化设计解决了传统AI处理复杂任务时的“推理冗余”、“流程不可控”、“跨平台复用难”三大核心痛点，甚至与既有的MCP形成了“功能模块+集成层”的互补架构。今天我们就从技术架构视角，拆解Skills的设计逻辑、核心能力与实践方法。一、Skills的技...

大家好，我是玄姐。本文提供了一个全面的视角，来看待如何利用模型上下文协议（MCP）实现AI应用新架构设计体系的落地实现，核心内容主要是以下5点：MCP概念与机制。MCP与FunctionCalling区别。MCP本质与挑战：挑战包括系统提示词的准确性、Client与Server协同、快速构建Server、自建Dify的痛点等。解决MCP挑战的方法：通过MCPRegister、统一管理Server和Prompt、建立效果验证体系与安全保障、设置MCP网关、动态服务发现、Stream...

论文链接：https:arxiv.orgpdf2509.24695项目链接：https:nvlabs.github.ioSanaVideo亮点直击SANAVideo，一种小型扩散模型，旨在实现高效训练和快速推理，同时不影响输出质量。通过大幅降低计算门槛，SANAVideo使高质量视频生成对更广泛的用户和系统变得更加可访问和实用。改进主要体现在三个关键组件上:线性DiT、带KV缓存的块线性注意力、高效数据过滤和训练。模型在生成720p视频时的延迟比最先进的Wan2.1快了13倍以上（见图1(...

大家好，我是玄姐。AI工程师的日常里，“适配开源项目到K8s”绝对是Top级痛点，上百个项目要手动写HelmChart，对着dockercompose拆服务、理依赖、调模板，动辄耗上大半天。两周前，有个朋友刚入职就遇上这难题：能不能让AI接手？输入GitHub链接，直接输出能部署的HelmChart包？他一头扎进AIAgent开发，从“全靠LLM自由发挥”的幻想到“结构化工作流控场”的落地，踩了无数坑后终于跑通MVP。今天就拆解他的实战经验，聊聊AIAgent...

文档解析这条赛道真卷，《文档智能》目前整体技术路线分三类：pipline式、两阶段式和端到端，如下：piplinelayout+VLMVLMfinetune下面再来看一个两阶段方案，由layout+VLM组成PaddleOCRVL0.9B。方法PaddleOCRVL正如上图，PaddleOCRVL分两阶段：阶段1：PPDocLayoutV2，负责布局分析，定位语义区域并预测其阅读顺序。PPDocLayoutV2结构式RTDETR以及一个具有六个transformer层的轻量级指针网络，以准确预测布局元素的阅读顺序。版...

现有RAG系统的各个模块的任务目标不一致：传统方法（如监督微调SFT）单独优化查询重写、文档检索、答案生成等模块，但单个模块的“局部最优”无法保证最终答案的“全局最优”。MMOARAG创新点是将RAG系统的可训练模块建模为协作式多智能体，让所有智能体的优化目标统一对齐到“最终答案质量”（如F1分数），通过多智能体强化学习（MAPPO算法）实现模块间的联合优化，解决这个问题。MMOARAG的整体框架总结如下：模块角色（智能体...

阿里巴巴Qwen大模型的发展历程可分为基础模型迭代、多模态能力突破、开源生态扩张三个核心阶段，从2023年首次亮相到2025年成为全球领先的开源模型体系，其技术演进与产业落地呈现出清晰的路径。一、基础模型阶段（2023年）：从7B到72B的跨越式发展1.Qwen7B与Qwen1.8B的开源奠基（2023年8月）技术突破：基于Transformer架构，采用2.4万亿tokens训练，支持多语言、代码生成和数学推理。在CEval（中文基础学科评测）中得分为63.5，...

最近硅谷在发生一件很有意思的事：很多的VC都在招聘一个叫FDE（ForwardDeployedEngineer）的岗位。这是一个诞生于情报部门、看起来像咨询业务的模式，突然成了AIAgent创业公司的标配。前OpenAI首席研究官、Palantir第二位工程师BobMcGrew透露，过去一年，他聊了很多AI初创公司，几乎所有创始人都只关心一件事，Palantir的FDE策略到底是怎么运作的，为什么能孵化数百家创业公司，10多家独角兽。我找到了一个BobMcGrew的访谈，可...

Anthropic最近又发了一篇关于AIAgents的博客，过去几个月已经连续好几篇了。我觉得他们关于Agents的内容整体都挺好的，写的也很有实践意义。今天的分享，围绕一个核心问题：如何配置上下文，才能让模型持续输出期望的行为。TLDR:上下文是有限资源，存在ContextRot现象。好的上下文工程找到最小的高信号token集，最大化期望结果。长时间任务三板斧：压缩、结构化笔记、子智能体。新的趋势是Justintime策略：不预处理所有数据，而...

今天的内容分享一个新的认知，AInative浏览器引发的认知革命，本文不强烈推荐某一款应用因为我发现，即使AI浏览器还没那么靠谱，成功率可能只有6070%，或者更低，但还是很容易完成从“我要搜索什么网站”到“我想要什么结果的转变”。AI浏览器到底做对了什么？一个好的AI浏览器，应该都不是给Chrome加个AI插件，而是重新定义浏览器的底层逻辑：从导航工具变成执行意图的引擎。用下来，最彻底的3个核心能力围绕在：持续的意图记...

在医学研究领域，随着数据量的爆炸式增长和研究复杂性的不断提高，传统的研究方式面临着诸多挑战。研究人员需要花费大量时间在文献调研、实验设计、数据分析等繁琐的流程上，这极大地限制了科研效率和创新速度。为了解决这一问题，清华大学自动化系推出了一款名为OpenLensAI的全自主人工智能研究助手，它能够模拟人类研究员的工作流程，实现医学研究全流程的自动化，为医学研究带来了一场深刻的变革。一、项目概述OpenLensAI是...

在人工智能领域，语音处理技术一直是研究的热点之一。随着大语言模型（LLM）的快速发展，语音语言模型在语音理解、生成和编辑等方面取得了显著进展。然而，现有的大多数语音模型要么将理解与生成任务的表示分离，要么采用离散化表示，导致语音细节损失。为了解决这些问题，蚂蚁集团推出了MingUniAudio，这是一个基于统一连续分词器的语音大模型，能够同时处理语音理解、生成和编辑任务。一、项目概述MingUniAudio是蚂蚁集团开源...

DeepSeek又开源了，这次是OCR模型，整个模型大小在3B。DeepSeekOCR的提出，是为了探索，是否可以通过视觉模态进行文本信息的高效压缩，也就是把文档内容，用图像Token表示，其Token数量会远小于原始文本Tokens数，说白了，你1w字，可能需要5000个Token，但用图像来表示，可能只需要512个Token。实话实说，直接升华了，我之前研究VLM做OCR，就是解决PDF转成文本的问题，没想到DeepSeek，是在想用图像视觉压缩文本。先说结论：这...

1.从被动响应到主动思考：ReAct智能体的突破ReAct智能体代表了AI从被动响应到主动思考的重要跨越。这种设计模式的核心理念是"推理与行动"的有机结合，它让AI系统能够像人类解决问题那样，在思考、行动和观察之间不断循环迭代。想象一个准备晚餐的场景：你首先思考"家里有什么食材"，然后打开冰箱查看，发现只有蔬菜，于是调整计划决定做蔬菜意大利面。ReAct智能体正是以这种方式工作的。它不遵循固定的规则脚本，而是通过推理分...