BLOG · 第 9 / 15 页
VOLCENGING 博客
探索前沿技术，分享实践经验，追踪行业动态。237 篇技术文章与行业观察，图片与排版全部在本站重建。
237 篇文章
15 页分页
9 类主题徽章
POSTS · 本页 18 篇
全部文章 · 第 9 页
按源站发布时间倒序排列，徽章为主题分类。当前第 9 页，共 15 页。
解锁文档深层智慧 Kosmos25 开启新篇微软（Microsoft）最新推出的 Kosmos-2.5 多模态模型，正重新定义我们对图像中文本的处理方式。它不仅是简单的光学字符识别（OCR），更是一个能够“阅读”并理解文本密集图像的“识字”模型。这标志着文档智能处理领域的一次重大飞跃，让机器不再只看到文字，更能理解文字的结构与含义。 核心亮点阅读全文
更多文章
Moondream 3 预览版登场 MoE 架构定义视觉智能M87 Labs 带来了其前沿的视觉语言模型 Moondream 3 (Preview) 这一模型以其独特的专家混合 MoE 架构 脱颖而出。它在保持极致效率的同时 提供了业界领先的视觉推理能力 为 AI 爱好者和开发者打开了视觉…阅读全文
Apriel-1.5-15b-Thinker 中间训练新突破Apriel-1.5-15b-Thinker 多模态推理模型由 ServiceNow-AI 团队发布 带来了 AI 训练领域的新鲜视角。这款模型的核心理念是“中间训练即所需”Mid training is all you need.…阅读全文
【VOLCENGING ComfyUI 小课堂】Class 3 ComfyUI 升级更新完整指南：五种方法让你轻松跟上最新版本ComfyUI 作为目前最受欢迎的 Stable Diffusion 工作流工具，更新频率相当高。新版本不仅修复了 bug，还经常带来性能优化和新功能。但很多用户面对升级这件事总是犯愁，不知道该怎么操作。 今天我们就来详细讲解 Co…阅读全文
VOLCENGING「提示词反推工具」深度评测：图像打标批处理/炼丹必备辅助神器一、为什么你需要「提示词反推」？ 做 AI 绘图的同学都懂： 1. 好不容易找到一张“梦中情图”，却写不出同样味道的提示词； 2. 训练 LoRA/角色模型时，需要给成百上千张图写标注，手打到天荒地老； 3. 多人协作，标注风格不统…阅读全文
Lumina-DiMOO 来了 统一多模态新纪元多模态 AI 的边界正在不断拓展一个能够无缝处理多种数据形式并进行生成与理解的统一模型始终是人工智能研究的核心目标。Lumina-DiMOO 的出现标志着这一目标又向前迈出了重要一步它以独特的技术路径描绘了未来的多模态交互图景。 L…阅读全文
IBM 推出 Granite Docling 258M 智能文档转换新标杆IBM Research 发布了 granite-docling-258M 模型 这是一款专为高效文档转换设计的图像文本到文本多模态模型 它在 Idefics3 架构基础上进行了关键改进 用 siglip2-base-patch16…阅读全文
Aria 首个开源多模态原生 MoE 模型Rhymes AI 最新推出了 Aria 模型 它以业界首个开源多模态原生 Mixture-of-Experts MoE 模型的姿态 重新定义了 AI 领域的交互与理解范式。Aria 的核心在于其能够同时处理文本 图像 视频以及代码…阅读全文
【VOLCENGING ComfyUI 小课堂】Class 2 ComfyUI 模型共享与自定义路径配置指南如果你只用 ComfyUI 一个工具，这部分可以跳过，但了解自定义模型路径还是挺有用的，能帮你更好地管理文件。下面我们一步步来看怎么让 ComfyUI 和其他 Stable Diffusion WebUI（如 A1111）共享模型资…阅读全文
Llama 4 Maverick Scout 多模态 MoE 新里程碑Meta Llama 4 Maverick 和 Scout 模型近日在 Hugging Face Hub 上发布 这标志着大型语言模型发展的一个重要飞跃 两款模型均采用原生多模态 MoE 架构 不仅能力强大 而且在长文本处理方面展现…阅读全文
【VOLCENGING ComfyUI 小课堂】Class 1 从启动到首次生成图片1. ComfyUI 基本介绍 ComfyUI 是一个基于节点的图形用户界面（GUI），最初专为 Stable Diffusion 设计，但如今支持广泛的 AI 图像生成模型，包括 Stable Diffusion 的各种变体如 S…阅读全文
Qwen3-Omni 实时交互新纪元阿里巴巴 Qwen 团队推出了开创性的 Qwen3-Omni 多模态大模型。这款模型旨在重新定义 AI 与世界的互动方式，它原生支持端到端的多模态处理，能够同时理解和生成文本、图像、音频和视频内容，并以自然的语音和文本形式进行实时流…阅读全文
Command A Vision 开启企业多模态新纪元CohereLabs 近日发布了其旗舰级视觉语言模型 Command A Vision，这是一款拥有开放权重的尖端多模态 AI。该模型在继承 Command A 强大文本能力的基础上，实现了卓越的视觉任务性能，尤其针对企业级应用场景…阅读全文
SmolVLM 迷你模型大能量 边缘设备新选择近期 Hugging Face 推出了名为 SmolVLM 的 2B 视觉语言模型系列 这标志着 AI 领域在追求模型效率和本地部署方面迈出了重要一步。SmolVLM 以其卓越的内存占用表现 在同类模型中脱颖而出 提供了小巧 快速…阅读全文
混元图像 3.0 开源原生多模态生图新篇章腾讯近期正式发布了 HunyuanImage 3.0 这款模型以其 80B 的参数规模和工业级原生多模态架构 成为目前开源生图领域的佼佼者。它不仅免费开放使用 其生成效果和语义理解能力已能对标业界头部闭源模型 为 AI 爱好者和开发…阅读全文
Google 发布 Gemma 3 多模态多语言大模型Google 正式推出 Gemma 家族的最新力作 Gemma 3，这标志着开源 AI 领域又一次重要突破。Gemma 3 不仅继承了前代模型的优秀基因，更在多模态理解、多语言支持以及超长上下文处理方面实现了飞跃，为开发者和研究者提…阅读全文
Ming Lite 万能模型对标 GPT-4o 的多模态能力inclusionAI 团队近日发布的 Ming Lite 万能模型，是一款仅需 2.8 亿激活参数的轻量级多模态模型，却实现了前所未有的全模态感知与生成能力，首次在开放领域向 GPT-4o 的多模态支持范围发起挑战，无疑是 AI…阅读全文
多模态扩散模型 MMaDA 打破边界Gen-Verse 最近推出了一款名叫 MMaDA-8B-Base 的新型多模态扩散基础模型，它不只专注于文本生成图像，更在文本推理和多模态理解上展现出令人惊艳的能力。这不仅仅是功能堆叠，更是一种底层架构上的统一尝试，预示着未来 A…阅读全文