Gorden Sun

Mistral OCR：目前最佳OCR模型 支持多种语言，评分全面超过Gemini 2.0 Flash，支持在Le Chat使用和API调用。 调用API的话，别忘了之前ElevenLabs的大礼包，里面送25美元的Mistral API金额，免费领取地址： 在线使用： 官方介绍：

olmOCR：可能是目前最好的开源OCR模型 基于微调后的7B视觉语言模型，微调数据为260000页PDF页面，完全开源，包括模型权重、数据和训练代码、推理代码，4090可以本地运行。 Github： 模型： 在线使用：

阿里开源Wan 2.1很不错，效果接近可灵1.5，需要抽卡，手部有时出问题。 在Fal上可以使用，支持图生视频、文生视频，每个视频耗费0.4美元，地址： 在ElevenLabs的免费大礼包里，可以免费领取50美元的Fal额度，可以用体验Wan 2.1和Google Veo 2。领取地址：

灰度到了微信的AI搜索，很好用

微软发布OmniParser 2.0版本，用于把屏幕截图转化成LLM可处理的结构化格式，再结合屏幕操作工具即可让LLM操作屏幕。 模型： Github：

FireRedASR：小红书开源的语音识别模型 支持识别普通话、方言、英文，分2个版本： FireRedASR-LLM：8.3B，为端到端的语音多模态LLM设计，能力更强，中文准确率开源最佳 FireRedASR-AED：1.1B，兼具效率和效果。 Github： 模型：

DeepSeek官网稳定的时候，体验是最好的，长下文长，能联网。但是用的人越来越多，几乎每次都是服务器繁忙了。 几个免费的备用方案： 1、英伟达NIM： 2、Github Models（需要手动调整输出长度为4K）： 3、TogetherAI：

Sonnet 3.5就像是程序员，你的要求提的越精细，得到的结果越准确。你要一个钉子，他给你一个钉子；你要一个红色的铜的图钉，他给你一个红色的铜图钉。 OpenAI o1像是产品经理，有时他会退一步思考你的要求背后的真实需求。你要一个钉子，他会思考你要钉子是为了做什么，如果是为了挂一幅画，他会同时推荐钉子以外的方案，例如粘钩、强力胶。 用o1辅助思考，用Sonnet辅助执行。