QVQ – 阿里通义开源的视觉推理模型

发表时间：2025-01-06

QVQ是阿里基于Qwen2-VL-72B构建的开源多模态推理模型，结合视觉理解和复杂问题解决能力，提升人工智能的认知能力。QVQ在视觉推理任务中展现出增强的能力，尤其在需要复杂分析思维的领域表现出色。QVQ在MMMU评测中取得了70 3的高分，在各项数学相关基准测试中相比Qwen2-VL-72B-Instruct 有显著提升。

【全文阅读】

Open Notebook – 开源 AI 笔记工具，自动将多格式笔记转换成博客

发表时间：2025-01-06

Open Notebook是开源、注重隐私的谷歌NotebookLM替代工具，能帮助用户管理研究工作流程，生成AI辅助笔记，并与内容互动。Open Notebook支持多笔记本、多模型，包括Open AI、Anthropic等，能处理多种文件格式，提供播客生成器、集成搜索引擎和细粒度上下文管理等功能。

【全文阅读】

PC Agent – 上海交大联合 GAIR 推出的电脑智能体AI系统

发表时间：2025-01-06

PC Agent是上海交通大学和Generative AI Research Lab (GAIR)联合推出的先进AI系统。系统基于模拟人类认知过程，执行如组织研究材料、起草报告和创建演示文稿等复杂数字工作。PC Agent集成了PC Tracker用在高效收集人机交互数据，用两阶段认知完成流程将原始数据转化为认知轨迹。

【全文阅读】

Midscene.js – AI驱动的 UI 自动化测试框架

发表时间：2025-01-06

Midscene js是基于AI技术的自动化SDK，通过用大型语言模型（LLM）简化UI自动化测试中的命令。用户用自然语言描述交互步骤或预期数据格式，Midscene js将执行相应的操作。Midscene js支持执行动作、查询数据和页面断言，减少脚本维护成本，提供可视化报告。

【全文阅读】

ASAL – Sakana AI 联合 OpenAI 等推出使用基础模型搜索人工生命的系统

发表时间：2025-01-06

ASAL（Automated Search for Artificial Life）是用基础模型自动化搜索人工生命（ALife）系统。ASAL是Sakana AI及MIT、OpenAI等机构联合推出的，主要基于三种搜索机制实现：有监督目标搜索、开放式搜索和照明式搜索。

【全文阅读】

Browser Use – AI 浏览器助手，自动执行网页中的交互任务

发表时间：2025-01-06

Browser Use是专门为大语言模型服务的智能浏览器工具，创新的Python工具库，让AI代理能像人类一样自然地浏览和操作网页。Browser Use支持多标签页管理、视觉识别、内容提取，并能记录和重复执行特定动作。

【全文阅读】

TRELLIS – 微软联合清华和中科大推出的高质量 3D 生成模型

发表时间：2025-01-06

TRELLIS是清华大学、中国科学技术大学和微软研究院推出的3D生成模型，基于Structured LATent（SLAT）表示法，从文本或图像提示中生成高质量、多样化的3D资产。模型融合稀疏的3D网格结构和从多视角提取的密集视觉特征，全面捕捉3D资产的几何和外观信息。

【全文阅读】

WiS – 淘天联合阿里研究团队推出的多智能体博弈游戏平台

发表时间：2025-01-06

WiS（Who is Spy）是淘天集团和阿里的技术研究团队推出的创新在线AI竞赛平台，专门设计用在测试和分析基于大型语言模型（LLMs）的多智能体系统（MAS）。WiS模拟“谁是卧底”游戏，参与者分为“卧底”和“平民”，基于描述各自手中的关键词互相识别。

【全文阅读】

DRT-o1 – 腾讯研究院推出的文学翻译系列AI模型

发表时间：2025-01-06

DRT-o1是腾讯研究院推出的一系列AI模型，通过长链思考推理（CoT）技术显著提升了文学作品的翻译质量，尤其在处理比喻和隐喻等修辞手法时。模型能更深入地理解文本，保留原文的情感色彩和文化内涵。

【全文阅读】

FastExcel – 开源的高性能 Excel 处理工具

发表时间：2025-01-06

FastExcel是基于Java的开源库，提供快速、简洁且能解决大文件内存溢出问题的Excel处理工具。FastExcel兼容EasyExcel，提供性能优化、bug修复，新增如读取指定行数和转换为PDF功能。

【全文阅读】

FinRobot – 开源 AI Agent 平台，解决金融领域应用的综合解决方案

发表时间：2025-01-06

FinRobot是开源的AI代理平台，专注于金融领域的应用。基于大型语言模型（LLMs）来构建能进行复杂分析和决策的金融专业AI代理。平台通过金融思维链（CoT）提示功能，将难题分解成逻辑步骤，增强分析能力。

【全文阅读】

DeepSeek V3 – DeepSeek开源的最新版 AI 模型，编程能力超越Claude

发表时间：2025-01-06

DeepSeek V3是知名私募巨头幻方量化旗下人工智能公司深度求索（DeepSeek）开源的最新版AI模型，在多语言编程能力上的进步显著。在aider多语言编程测评中的表现超越了Claude 3 5 Sonnet V2等竞争对手。DeepSeek V3采用了高达6850亿参数的混合专家（MoE）架构，包含256个专家，使用sigmoid路由方式，每次选取前8个专家参与计算，模型能更高效地处理复杂任务。

【全文阅读】

3DHM – 3D人体动作生成框架，单张图片生成任意视频动作

发表时间：2025-01-06

3DHM（3D Human Motions）是先进的3D人体动作生成技术，加州大学伯克利分校的研究人员推出。能从单张人物照片生成具有3D控制的动态人体视频，实现从静态图像到动态视频的转变。技术通过学习人体不可见部分的先验知识，结合给定的3D运动序列，渲染出具有适当服装和纹理的新身体姿势。

【全文阅读】

Diff-Instruct – 从预训练扩散模型中迁移知识的通用框架

发表时间：2025-01-06

Diff-Instruct是先进的知识转移方法，用于从预训练的扩散模型中提取知识，指导其他生成模型的训练。它基于一种新的散度度量——积分Kullback-Leibler (IKL) 散度，专为扩散模型设计，通过计算沿扩散过程的KL散度积分来比较分布。

【全文阅读】

VidTok – 微软开源的视频分词器，支持连续和离散分词化

发表时间：2025-01-06

VidTok（Video Tokenizer）是微软开源的先进的视频分词器，通过高效的算法将视频内容转换成一系列“视频词”。支持连续和离散分词化，具有灵活的压缩率和多样化的隐空间，适用于不同的应用场景。

【全文阅读】

Infinity – 字节跳动推出的高分辨率图像生成模型

发表时间：2025-01-06

Infinity是字节跳动推出的基于位级自回归建模的视觉生成模型，能根据语言指令生成高分辨率、逼真的图像。Infinity通过无限词汇量的标记器、分类器和位自纠正机制，显著提升图像生成的细节和质量，超越现有的顶级扩散模型，生成一张1024×1024的高质量图像仅需0 8秒，比SD3-Medium快2 6倍，且具有更快的推理速度。

【全文阅读】

ModernBERT – 英伟达和 HuggingFace 等机构联合开源的新一代编码器模型

发表时间：2025-01-06

ModernBERT是Answer AI、LightOn、约翰斯·霍普金斯大学、英伟达和HuggingFace联合推出的现代编码器-only Transformer模型，是对经典BERT模型的一次重大升级。ModernBERT在2万亿token的大规模数据上训练，支持长达8192 token的序列长度，显著提升处理长上下文的能力。

【全文阅读】

cobalt – 开源的流媒体下载工具，支持全平台视频、音频和图片下载

发表时间：2025-01-06

cobalt是开源的流媒体下载工具，提供纯净、简洁无广告的体验。cobalt支持全平台视频、音频和图片下载，包括主流视频网站、社交媒体和音乐平台。cobalt提供个性化设置，支持多主题切换。用户能下载高达8K的视频和多种格式的音频，cobalt能自动提取字幕，使用简单，无需注册。

【全文阅读】

CogAgent-9B – 智谱AI开源 GLM-PC 的基座模型

发表时间：2025-01-06

CogAgent-9B是基于 GLM-4V-9B 训练的专用Agent任务模型，仅依赖屏幕截图作为输入，无需HTML等文本表征。CogAgent-9B支持高分辨率图像处理，具备双语（中英文）交互能力，能预测并执行GUI操作，实现自动化任务。

【全文阅读】

AGUVIS – 香港大学联合 Salesforce 推出统一纯视觉的GUI自动化框架

发表时间：2025-01-06

AGUVIS是香港大学、Salesforce 联合推出的统一的纯视觉框架，专为自主GUI智能体设计，能在各种平台（如网页、桌面、移动设备）上操作。AGUVIS基于图像观察和自然语言指令与视觉元素的关联，采用一致的动作空间实现跨平台泛化。

【全文阅读】