跳到正文
10月31日周六
10月30日周五
  1. IT之家62

    百度开源发布文心 Unlimited OCR 2 文档解析模型,支持“无限”页数

    百度本月 27 日正式发布并开源文心 Unlimited OCR 2 文档解析模型,将文档解析上限从数十页推向“无限”,可一次性解析累计超过 3,600 页的《哈利·波特》全系列 7 部作品。该模型原生支持版面要素切分识别,具备跨页文案合并、表格识别合并能力;在 MPDocBench 得 84.6 分、MarathonDocBench 得 77.1 分,均实现端到端性能 SOTA。

  2. 量子位32

    AI安全是AI规模化应用的“加速器”

    AI安全已从附加条件转变为AI进入生产系统与核心业务的基础能力,是决定AI能否规模化应用的“加速器”而非“刹车片”。AI走向多智能体协作与物理世界后,风险呈链条化、涌现化、外溢化特征,安全边界扩展为覆盖基础设施到国家安全的六层风险地图。建议将AI安全纳入国家AI基础能力建设、推动安全能力内生化,并以商业保险把安全风险转化为可量化、可定价的经济机制。

  3. IT之家79

    Mistral AI 开放 Mistral Large 4 模型权重:1T 参数,编程智能体更省 Token

    当地时间 10 月 29 日,Mistral AI 正式开放 Mistral Large 4(代号 le Chonk)模型权重,该模型为 1 万亿总参数、490 亿激活参数(含嵌入层和输出层为 520 亿)的原生多模态模型,在欧洲自有数据中心用 3,800 块 NVIDIA Grace Blackwell GPU 从零训练。

    同一新闻,精选展示《Mistral Large 4(Le Chonk)开源发布:1T 参数多模态 MoE 模型登陆 Hugging Face》

  4. TechCrunch · AI76

    Mistral 发布万亿参数模型 Mistral Large 4 权重,面向网络安全场景

    法国 AI 公司 Mistral 发布了万亿参数开源模型 Mistral Large 4(ML4)的权重,企业和政府机构可自行下载并部署。该模型绰号“Le Chonk”,权重已在 Hugging Face 开放并提供 API 调用。

    同一新闻,精选展示《Mistral Large 4(Le Chonk)开源发布:1T 参数多模态 MoE 模型登陆 Hugging Face》

10月29日周四
  1. 博客园77

    用 Electron 做的 AI 视频切片工作台 VClip:技术选型与踩坑实录

    作者开源了 VClip(https://github.com/wyfirstname/videoclip),一个 Electron 桌面应用,本机跑完语音识别、大模型挑选切片与导出,全程不传视频音频,唯一外部调用是可选的 OpenAI 兼容接口,也可换本地 Ollama。

    推荐理由:作者把六个真实踩坑点讲到了可复现的程度,做 Electron 媒体类应用的人能直接照着排查。

  2. Hugging Face Blog83

    Mistral Large 4(Le Chonk)开源发布:1T 参数多模态 MoE 模型登陆 Hugging Face

    Mistral 发布多模态 MoE 模型 Mistral Large 4(代号 Le Chonk),总参数约 1T、激活参数 49B,上下文窗口 1M tokens,以 Mistral Ecosystem Open-Weight License 开源,并提供 FP8 与 NVFP4 两种官方变体。

    推荐理由:原文给出 Mistral Large 4 的架构细节、安全基准与多种部署方案,便于与同类开源模型比较选型。

  3. TechCrunch · AI69

    Deepgram 收购 Pipecat 开发商 Daily,强化语音 AI 基础设施

    Deepgram 宣布收购 Daily,即开源语音 AI 框架 Pipecat 的开发商和维护者,交易金额未披露,双方承诺 Pipecat 继续保持开源。Pipecat 是管理语音和视频流以及 STT、大语言模型、TTS 等环节的低延迟编排框架,Daily 此前已融资超过 6200 万美元,Deepgram 今年早些则以 1.3 亿美元 C 轮达到独角兽地位。

  4. IT之家78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe,支持 40 种语言、最多 8 名说话人

    英伟达 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe,并公开训练数据管线 Granary v2。模型采用 MoE 架构,总参数约 340 亿、激活参数约 43 亿,可处理最长 1 小时录音,支持 40 种语言转录,最多区分 8 名说话人,整合转录、说话人归属、翻译和音频问答。

    推荐理由:原文给出公开评测词错误率与说话人分离基准成绩,读者可据此比较它与同类开源转录模型的能力边界。

  5. The Verge · AI34

    Akai 用一款开源 MPC 拥抱 vibe code 模组

    尚未正式发布的 Akai MPC Sample Key 将采用开源固件,并向模组开发者提前提供设备,以拥抱 vibe code 模组社区。Akai 展示的模组包括把 Native Instruments Massive 等合成器搬上设备,甚至有一台运行完全自定义的 OS。CEO Jack O'Donnell 表示 inMusic 旗下品牌将向开发者提供早期设备、开源部分软件并提供 SDK。

  6. The Decoder75

    Nvidia 开源 Nemotron 3.5 Transcribe,集成转写、翻译与说话人识别

    Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe,可在单模型内完成转写、翻译、说话人识别和录音问答。模型总参数 300 亿、每步激活约 40 亿,可在单张 Nvidia GPU 上运行,支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别,最长处理 1 小时、最多 8 人的录音。

10月28日周三
  1. TechCrunch · AI66

    Nvidia 发布开源转录模型 Nemotron 3.5 Transcribe

    Nvidia 发布免费开源权重转录模型 Nemotron 3.5 Transcribe,可转录约 40 种语言的音频,并同步推出开源语音数据集 Granary v2。官方称该模型支持 31 种语言与英语互译、处理最长一小时录音、区分最多 8 个说话人,30B 参数可运行在 Jetson AGX Thor 到 Blackwell 的单芯片上,但仅适用于录音而非实时流。

  2. 博客园43

    《HelloGitHub》第 127 期 - 削微寒

    HelloGitHub 第 127 期分享了 36 个涵盖 C、Go、Python、Rust 等多种编程语言的入门级开源项目。AI 相关项目包括无需 GPU 即可运行千亿参数模型的 colibri、DeepSeek 开源的推理框架 DeepInfer,以及谷歌开源的 AI 手机自动化工具 artemis。所有项目均可在 GitHub 上获取,旨在让开发者感受开源魅力。

  3. 博客园66

    一文读懂 RSI:大模型递归自进化五大技术路线全景解析

    本文系统梳理了大模型递归自进化(RSI)的概念、适用场景与落地五步法。核心是将 RSI 分为模型权重与训练层、提示词与脚手架、上下文记忆与技能库、自我指向代码自修改、多智能体协同与全自动 AI 研发五大类,并逐类介绍代表论文与开源框架,最后给出按资源条件选型的速查建议。

  4. Hugging Face Blog75

    Liquid AI 发布 LFM3:统一 2B 骨干支撑六种模态模型

    Liquid AI 发布新一代基础模型系列 LFM3,将文本、视觉、音频、全模态与决策模型统一到 2B 参数级的同一骨干上,全部开放权重并上架 Hugging Face。LFM3-1.7B 以 35% 更少的参数超越 LFM2.5-2.6B,文本模型 4-bit 下约 1 GB、上下文 256K,可在单张 GPU 上微调并部署到端侧设备。

    推荐理由:LFM3 用单一 2B 级骨干覆盖文本、视觉、音频与决策,单卡微调加端侧部署的路线可作为专用模型选型参考。

10月27日周二