AIGCLINK

解决AI记忆能力的一款轻量级工具：Memvid，它把文本数据编码为视频，可以实现亚秒级的快速语义搜索 它把信息存储在视频里，省空间、速度快、方便携带，并且不用联网 支持语义搜索，内置聊天功能 可以直接导入和索引PDF文档，这样就可以把一些书籍、论文等资料快速构建成 AI 记忆库了 #AI记忆 #Memvid

谷歌基于Gemma 3的一款多模态医疗模型：MedGemma，可以根据医学影像和病历描述生成诊断报告 它在胸部X光片、皮肤病图像、眼科图像、病理切片等大量医疗数据上进行了预训练和微调 可以看图说话，给一张X光片，让它用文字描述图像内容；让它回答关于医学的问题；或给它一些医学影像和相关病历信息，让它生成一份诊断报告 两个版本， 4B 多模态版，支持图像和文本 27B 纯文本版 性能都优于其基

这两天闹的沸沸扬扬的朱啸虎唱衰具身智能的言论部分认同: 1. 当前具身智能领域大都还在走传统的路线，犹如2023年之前AI1.0时代的NLP和CV路线，后来transformer出现后将原先语言和视觉路线干废。具身智能也需要经历一次这样的临界点，当前还处于1.0时代，未来VLA模型成熟后，必然会将门槛极大的降低下来，泛化性能增强。 2.当前国内的大多数具身智能公司，很多都是用国外开源的路线二开

MCP 3D建模的一个用例 可以让Claude直接与Blender对话的MCP：blender-mcp，通过文字提示即可创建3D场景 #MCP #BlenderMCP #AI3D建模

西北工业大学等放出来一款10秒生成完整歌曲的端到端生成模型：DiffRhythm 给一个参考风格和歌词，即可生成最长4分多钟的完整歌曲 可以同时生成人声和伴奏，支持中英文歌曲生成 支持多种生成模式，使用音频作为参考、使用文本描述风格，以及生成纯音乐 #歌曲生成模型 #DiffRhythm #AI歌曲

牛，Mistral刚刚发布了号称地表最强OCR，给文档理解设立了新标准！ Mistral OCR具备强大认知能力，能准确理解文档中包括文本、图像、表格、公式等在内的每个元素 特点： 1、原生多语言和多模态，支持数千种文字、字体以及语言 2、能准确理解复杂的文档元素，包括图像、数学公式、表格以及 LaTeX 格式等，尤其擅长处理包含图表、图形、公式和插图的科学论文等富文档 3、在多个文档分析

西北工业大学开源了一个语音理解模型：OSUM，支持8种语音理解任务，从ASR到情感识别，以及语音到文本的深度理解 支持语音识别(ASR) 带时间戳的语音识别(SRWT) 声音事件检测(VED) 语音情感识别(SER) 说话风格识别(SSR) 说话者性别分类(SGC) 说话者年龄预测(SAP) 语音到文本对话(STTC) 它结合了Whisper和Qwen2，采用ASR+X训练策略，支持多任务同时

国内现在各家公司基本上都是抢算法人才，23年和24年就有很多学校的硕士、博士算法人才都被公司提前给抢光预定了，算法人才价格在150-200万年薪之间，今年随着deepseek引爆市场人才价格估计会更深水涨船高。 #deepseek