# 图像识别 #
0
关注
1177内容
Ovis2：阿里放出多模态新王炸！6大模型尺寸通吃视频理解，数学推理能解微积分
Ovis2 是阿里巴巴国际团队推出的多模态大语言模型，具备强大的视觉与文本对齐能力，适用于复杂场景下的 OCR、视频理解等任务。
谷歌放大招！多模态模型PaliGemma 2 Mix上线：通吃问答+OCR+检测等多项视觉理解任务，28B参数无需额外加载模型
PaliGemma 2 Mix 是谷歌DeepMind发布的多任务视觉语言模型，支持图像描述、OCR、目标检测等功能，适用于文档理解、科学问题解答等场景。
HealthGPT：你的AI医疗助手上线了：支持X光到病理切片，诊断建议+报告生成全自动
HealthGPT 是浙江大学联合阿里巴巴等机构开发的先进医学视觉语言模型，具备医学图像分析、诊断辅助和个性化治疗方案建议等功能。
Aider：27.6K Star！这个终端AI编程神器能用语音改代码，自动生成Git记录并提交，接入DeepSeek斩获编程基准最高分
Aider 是一款基于命令行的开源 AI 编程助手，支持多种编程语言和主流 LLM，可自动完成代码修改、Git 提交及语音交互。
ToddlerBot：告别百万经费！6000刀就能造人形机器人，斯坦福开源全套方案普及机器人研究
ToddlerBot 是斯坦福大学推出的低成本开源人形机器人平台，支持强化学习、模仿学习和零样本模拟到现实转移，适用于运动操作研究和多场景应用。
Magma：微软放大招！新型多模态AI能看懂视频+浏览网页+UI交互+控制机器人，数字世界到物理现实无缝衔接
Magma 是微软研究院开发的多模态AI基础模型，结合语言、空间和时间智能，能够处理图像、视频和文本等多模态输入，适用于UI导航、机器人操作和复杂任务规划。
CLaMP 3：音乐搜索AI革命！多模态AI能听懂乐谱/MIDI/音频，用27国语言搜索全球音乐
CLaMP 3是由清华大学团队开发的多模态、多语言音乐信息检索框架，支持27种语言，能够进行跨模态音乐检索、零样本分类和音乐推荐等任务。
MakeAnything：手残党有救了！新加坡国立大学开源AI教程生成器：上传任意作品，自动生成分步图示指南！
MakeAnything 是新加坡国立大学推出的一致性图片序列生成框架，基于扩散变换器和非对称低秩适配技术，支持从文本或图像生成高质量的分步教程。
Omnitool：开发者桌面革命！开源神器一键整合ChatGPT+Stable Diffusion等主流AI平台，本地运行不联网
Omnitool 是一款开源的 AI 桌面环境，支持本地运行，提供统一交互界面，快速接入 OpenAI、Stable Diffusion、Hugging Face 等主流 AI 平台，具备高度扩展性。
如何使用非结构化 API 高效处理文档
手动处理非结构化文档面临格式不一致、数据噪声多和信息检索困难等挑战，导致低效率和合规风险。Unstructured API 通过自动化文档处理，利用AI技术简化分类、归类和异常检测，节省时间和提高准确性。Supametas.AI 作为领先平台，支持多种文件类型（如文本、图片、视频），适用于各行各业，可与Salesforce、Zendesk等工具无缝集成，确保数据流动顺畅并提升工作效率。其强大的功能包括数据摄取、处理技术、检索增强生成、灵活性、可扩展性和集成能力，帮助企业和小公司高效处理大量非结构化数据，实现业务增长和优化工作流程。
免费试用