Gorden Sun

统计数据

751

文章

0

粉丝

0

获赞

46901

阅读

11小时前

AI资讯日报，3月18日：

11小时前

dots.ocr-1.5：小红书开源的OCR模型 3B大小，评分超过PaddleOCR-VL-1.5，不仅能识别图片和文字，还能把图表识别成SVG的形式。模型：

11小时前

Claude Cowork支持手机端遥控前一阵子Claude Code增加了手机端控制功能，现在Claude Cowork也有了。相比OpenAI和谷歌，Anthropic的产品不多，但各个都是顶级生产力工具：Claude Code、Claude Cowork、Claude Chat、Claude for PPT、Claude for Excel、Claude for Chrome

#ClaudeCowork #手机端控制 #顶级生产力工具 #Claude产品 #Anthropic #人工智能 #技术创新

12小时前

Mamba-3：新一代Memba架构 Mamba-2从训练场景出发，为训练速度做了大量简化；Mamba-3从推理场景出发，在不增加推理延迟的前提下显著提升模型质量。Mamba与Transformer混合使用效果优于纯模型，未来还是以混合使用为主。博客：

#Mamba-3 #Mamba架构 #训练速度 #推理场景 #模型质量 #transformer #混合使用

1天前

AI资讯日报，3月17日：

1天前

Foundation-1：开源AI生成音乐基于Stable Audio微调，能生成没有人声的音乐，效果非常好，能生成可循环的片段音乐，且只需要7G显存，本地能运行。模型：

1天前

阿里开源OpenSandbox：面向AI应用的通用沙箱平台可以为Agent运行提供沙箱环境，提供多语言SDK + 统一API + Docker/Kubernetes运行，集成Chrome无头浏览器、Playwright自动化，支持运行Claude Code、Gemini CLI、Codex CLI等Agent，基本开箱即用。 Github：

2天前

Mistral开源Mistral Small 4 119B总参数，6.5B激活参数，256K上下文，支持文字和图片输入。评分略低于Qwen3-Next-80B，明显低于Qwen3.5 122B 模型：

2天前

AI资讯日报，3月16日：

2天前

在Transformer内部造一台计算机一篇充满争议的文章，Percepta AI把WebAssembly解释器编译进Transformer权重，让模型的前向传播本身就是程序执行，不依赖任何外部工具就能进行数学计算。流程是：C代码→WASM→将WASM解释器编码进权重→前向传播逐token输出执行轨迹争议的点在于：权重不是训练出来的，而是直接编译进去的，更像“用一种奇特方式写了个程序”，不是真正的AI学习；可微分性并没有证明，很可能LLM也没法学习这个计算过程；与原生WASM相比可能慢数千倍；原文：

#transformer #PerceptaAI #WebAssembly #机器学习 #人工智能

2天前

OpenMAIC：AI一键生成交互式课程清华开源的项目，效果非常好，体验非常完整。生成的内容包括：课程介绍PPT（使用了Banana生成配图）旁白语音讲解，讲解时会高亮展示讲解的内容课后测评，生成几道题目做考查学习的过程中还可以随时提问，提后后老师这个Agent会讲解你的问题，白板上同时展示讲解的内容。然后其他几个同学Agent开始杠精和BB，然后老师又是一顿讲解，好像真的煞有介事的在上课，BB了一顿还会要求你再发言（早知道我就不问了），非常拟人非常有趣。在线体验： Github：

#OpenMAIC #交互式课程 #人工智能 #清华大学 #开源项目

2天前

Fun-CineForge：阿里开源的AI生成影视配音输入视频+文本，AI生成配音，能识别多个角色，能按要求设置配音风格，生成的配音节奏与视频里说话的唇形同步。演示视频的声音效果非常好。项目地址：模型：

3天前

AI资讯日报，3月15日：

3天前

LCO-Embedding-Omni-7B：开源多模态Embedding模型基于Qwen2.5-Omni，支持文本、图片、音频，在同等参数大小下实现开源最佳。模型：

3天前

Junior：AI员工比Agent更进一步，Agent只能算人类的助理，Junior有自己的邮箱、能加入Slack/Notion/GitHub等团队工具、不需要人类命令就能自主工作。上手快：入职当天就能阅读所有历史文档，立即就能开工；积极主动：不用输入提示词，AI员工关注所有正在进行的工作，发现重要的事项立即主动执行，而且是7x24小时工作；组织写作：Agent是协助个人，AI员工是协助整个组织，能记忆整个组织的事项，督促遗漏事项，并记录和跟进每一场会议的内容。现在还处于非常早期的阶段，但是这个概念已经具备了落地的前景，好消息是AI员工收费2000美元/月，比你工资还高。官网：

#AI员工 #agent #自主工作 #团队协作 #技术创新 #生产力工具

3天前

OpenJarvis：本地优先的AI Agent框架斯坦福开源，支持Ollama、vLLM、SGLang、llama.cpp等多种本地推理服务，也可以切换到API。 Github：

#OpenJarvis #AI Agent #斯坦福大学 #开源 #Ollama #本地推理服务

4天前

AI资讯日报，3月14日：

4天前

Chrome 146原生支持WebMCP Agent可以通过WebMCP直接操作Chrome浏览器里的网页。相比之前144版本基于CDP（Chrome DevTools Protocol）实现的MCP，WebMCP网页本身就是MCP Server，前端JS直接变成Agent接口，不需要额外的Python/Node后端，而且WebMCP更省token，准确率更高。只要网站方面不封号，通用网页操作以后对于Agent不是难题了。开启WebMCP的地址：chrome://flags/#enable-webmcp-testing

4天前

Claude交互式UI的原理分析和开源实现这篇文章逆向了Claude交互式UI的原理：本质是工具调用，交互式UI的部分直接注入DOM渲染，没有使用iframe的方式，所以能实现流式渲染。为了保证渲染效果，严格限定了UI规范，例如禁止渐变和阴影等。开源的这个方案就比较简单粗暴，直接使用了iframe，缺点是不能实时渲染且笨重，优点是兼容各家LLM。开源方案Github：

5天前

Claude Opus 4.6和Sonnet 4.6正式支持100万上下文 · 不加价（之前超过200K是2倍价格），命中Cache缓存也许花不了太多钱 · 速率不变，不会因为上下文太长而被限制频次 · 单次可处理的图片和PDF从100页提升到600页 · Opus 4.6在100万上下文时的召回率达到78.3%，远高于GPT 5.4的36.6%，对于完成大型复杂项目会有显著提升 · Max、Team和企业用户的Claude Code默认开启100万上下文，5x Max太值了官方介绍：

5天前

AI资讯日报，3月13日：

5天前

Google地图大幅更新新增2个核心功能：Ask Maps（对话式地图问答）和Immersive Navigation（沉浸式导航） Ask Maps：能处理多条件、个性化的复杂查询，例如“手机快没电了，哪里能充电又不用排长队买咖啡？”。实现这一功能靠的是底层整合了超过3亿个地点信息和5亿+贡献者的评论数据，回答中包含预计到达时间和真人实用建议 Immersive Navigation：全新3D视图实时反映周围建筑、立交桥和地形，关键路段会标注车道线、人行横道、红绿灯和停车标志；智能缩放和透明建筑效果帮助提前预判复杂转弯和变道；官方介绍：

5天前

谷歌收购的Producer AI我通过了Waitlist，是个一站式AI MV平台。可以生成带歌词的音乐（Lyria 2我记得不行）、支持中文，水平比Suno V5稍差，生成的音乐可以一键生成MV视频（视频里的XXX是因为字幕不支持中文）

#谷歌收购 #Producer AI #AI MV平台 #歌词生成 #音乐创作 #中文支持 #视频生成 #Suno v5

5天前

Claude支持生成可交互的图表免费用户也能用，直接在聊天对话框里展示。

5天前

Wholembed v3：超高性能的多模态检索模型能同时检索文本、图片、音频、视频，在LIMIT和BrowseComp-Plus两大评测上均达到最佳水平，既能像数据库检索一样精准，也能像向量检索一样按相似性查询。使用晚交互（Late Interaction）的方式平衡精度和效率。 LIMIT是专门用来测试语义检索的评测，传统的词法匹配方法BM25大幅碾轧1B参数的大模型，Wholembed是首个超越BM25的大模型。 BrowseComp-Plus是用来评测检索模型能否帮助Agent回答复杂的问题，得分越高对Agent的帮助越大。官方介绍：

...