OCR新王登顶！百度开源PaddleOCR-VL：0.9B超轻量模型斩获全球综合性能第一
百度最新开源的PaddleOCR-VL模型，在全球权威评测中以92.6分登顶OCR综合性能榜首。这款参数仅0.9B的超轻量视觉-语言模型，能精准解析文本、表格、公式、手写及图表，支持109种语言，推理...
排序
助力Speech LLM落地！美团LongCat开源高效语音编解码方案 (LongCat-Audio-Codec)
针对Speech LLM落地中的音频处理难题，美团LongCat团队正式开源专用语音编解码方案LongCat-Audio-Codec。该方案提供一站式Tokenizer与DeTokenizer工具链...
性能霸榜，全面开源：上海AI Lab联合北大发布文档解析大模型MinerU2.5，1.2B参数超越GPT-4o
上海人工智能实验室与北京大学联合开源高性能文档解析大模型MinerU2.5。该模型以仅1.2B的轻量参数，在OmniDocBench等权威评测中全面超越GPT-4o、Gemini等主流大模型，特别擅长...
VitaBench – 美团LongCat开源的交互式Agent评测基准
美团LongCat团队正式开源VitaBench，这是一个高度贴近真实生活场景的交互式Agent评测基准。它以外卖点餐、餐厅就餐、旅游出行三大高频场景为载体，构建了包含66种工具的评测环境，旨在解决A...
DeepSeek-OCR – DeepSeek开源的光学字符识别模型
DeepSeek于2025年10月开源了新一代光学字符识别模型DeepSeek-OCR。该模型基于创新的视觉语言模型(VLM)架构，通过DeepEncoder实现高效视觉压缩，在10倍压缩比下仍保持约...
混元世界模型1.1 – 腾讯混元发布的开源3D重建大模型
腾讯混元于2025年10月正式开源世界模型1.1版本（WorldMirror），在业内领先的3D生成能力上再次突破。新版支持文本、图像、视频等多模态输入，在单张消费级显卡上即可实现秒级高质量3D场景生...
DreamOmni2 – 港科大开源的多模态AI图像编辑与生成模型
香港科技大学冯诺依曼研究院贾佳亚团队开源多模态AI模型DreamOmni2，在图像编辑与生成任务中表现卓越。其突破性在于能精准理解并生成光影、风格等抽象概念，支持多张参考图协同工作，在多项测试中性能超...
LongCat-Video – 美团LongCat开源的视频生成模型
LongCat-Video是什么LongCat-Video是美团LongCat团队开源的13.6亿参数视频生成模型，采用MIT开源协议，支持文生视频、图生视频和视频续写三大任务。模型通过"粗到细"生成...
Dexbotic – 原力灵机开源的具身智能VLA模型一站式科研服务平台
Dexbotic是由Dexmal原力灵机重磅开源的一站式具身智能VLA（视觉-语言-动作）模型科研服务平台。该平台旨在解决VLA研究领域技术分散、复现困难的痛点，为研究者提供标准化、模块化的统一基础设...
ValueCell – 开源的多智能体金融平台，多个Agent分工协作
ValueCell是一个社区驱动的开源多智能体金融平台，致力于通过多个AI Agent的协同工作，将复杂的投研流程自动化。它集成了市场分析、SEC文件解读、情绪监控与策略交易等多种智能体，支持全球主要...