LLaVA-Med是微软推出的小型多模态模型，专注于高效生成高质量的胸部X光放射学报告，支持快速临床部署。

本文介绍了操作系统智能助手OS Copilot的新功能测评。作为一名运维工程师，作者分享了安装过程中遇到的小问题及解决方法，并详细描述了使用体验。OS Copilot在回答速度、命令执行和任务处理方面表现一般，但提供了便捷的自动化操作，适合新手学习。作者指出其优点包括深度定制化、简化重复工作和对新手友好；不足之处在于回答不够流畅、汉化程度低且智能化水平有待提高。整体评分6分，未来有提升空间。

在大型语言模型（LLM）的发展历程中，如何让模型输出与人类偏好保持一致一直是研究的核心挑战。从早期的监督微调（SFT）到基于人类反馈的强化学习（RLHF），再到如今的直接偏好优化（DPO），对齐技术经历了显著的迭代与创新。

本文介绍了基于ModelScope MCP协议的AI视频生成解决方案，涵盖核心机制解析、零代码工作流搭建、性能优化策略及全链路异常处理。通过统一上下文描述符抽象异构AI服务，实现图像生成、语音合成与视频剪辑的自动化编排。结合缓存优化与错误重试机制，大幅提升生成效率（如5分镜视频从91.7s降至22.4s）。最后展示《夏日海滩》生成案例，并探讨个性化风格迁移与商业场景集成等进阶方向，揭示零代码本质为服务、流程与资源的三层抽象。

🙋魔搭ModelScope本期社区进展：📟2341个模型，206个数据集，🎨224个创新应用，📄 15篇内容

Crack Coder 是一款开源的隐形 AI 辅助工具，专为技术面试设计，支持多种编程语言，提供实时编程问题解决方案，帮助面试者高效解决问题。

ReCamMaster 是由浙江大学与快手科技联合推出的视频重渲染框架，能够根据用户指定的相机轨迹重新生成视频内容，广泛应用于视频创作、后期制作、教育等领域，提升创作自由度和质量。

Evo 2 是一款由 Acr 研究所、英伟达和斯坦福大学联合开发的 DNA 语言模型，可处理长达百万碱基对的序列，支持基因组设计、变异预测及合成生物学研究。

### 测评报告：零门槛、轻松部署您的专属 DeepSeek 模型 DeepSeek 是一款强大的推理模型，尤其擅长数学、代码和自然语言处理任务。由于算力限制，官方服务支持不稳定，阿里云提供了四种云上调用及部署方案，包括基于百炼调用API、PAI平台部署、函数计算部署和GPU云服务器部署。测评显示，PAI平台最具灵活性和易用性，但整体方案在文档指引、部署时间和成本方面仍有改进空间。建议优化文档和技术支持，提升用户体验。

Repomix 是一款强大的工具，能够将整个代码库打包成AI友好的单个文件，支持多种输出格式和安全检查。

微软推出的生成式 AI 入门课程，涵盖 21 节课程，帮助开发者快速掌握生成式 AI 应用开发，支持 Python 和 TypeScript 代码示例。

本项目针对不同医院检查报告单样式差异大、手机拍摄质量差等问题，传统OCR识别效果不佳的情况，探索并选定了Qwen2-vl系列视觉语言模型。通过微调和优化，模型在识别准确率上显著提升，能够精准识别并结构化输出报告单信息，支持整张报告单及特定项目的识别。系统采用FastAPI封装接口，Gradio构建展示界面，具备高效、灵活的应用特性。未来该方案可扩展至多种文本识别场景，助力行业数字化转型。

今天，我们正式发布Ling 2.0系列的第一款 旗舰非思考模型 - 拥有万亿参数的Ling-1T。推理，是智能的核心表达，更是通用智能体的认知基石。因此，我们持续扩展Ling 2.0 系列模型的自然语言推理能力。Ling-1T沿用 Li…

在大型语言模型（LLM）的训练过程中，数据质量直接决定了模型的性能上限。即使拥有最先进的模型架构和训练算法，如果没有高质量的训练数据，也难以训练出优秀的语言模型。Common Crawl作为目前互联网上最大的公开网络爬虫数据集之一，为LLM训练提供了宝贵的资源。然而，从原始的Common Crawl数据中提取高质量的训练素材并非易事，需要经过严格的过滤和清洗。本文将全面探讨Common Crawl数据集的特性、过滤策略的设计原则、以及2025年最新的过滤技术，为构建高质量的LLM训练语料提供系统指导。

在大语言模型（LLM）时代，高效的推理加速已成为部署高性能AI应用的关键挑战。随着模型规模的不断扩大（从BERT的数亿参数到GPT-4的数千亿参数），推理过程的计算成本和延迟问题日益突出。ONNX（开放神经网络交换格式）和TensorRT作为业界领先的推理优化框架，为LLM的高效部署提供了强大的技术支持。本文将深入探讨LLM推理加速的核心原理，详细讲解PyTorch模型转换为ONNX和TensorRT的完整流程，并结合2025年最新优化技术，提供可落地的代码实现与性能调优方案。

随着大型语言模型（LLM）技术的迅速发展，Hugging Face的Transformers库已经成为LLM开发和应用的标准工具包。作为一个开源的深度学习库，Transformers提供了丰富的预训练模型、统一的接口设计以及强大的生态系统，使得研究人员和开发者能够便捷地构建、训练和部署各类语言模型。2025年，Transformers库已经发展到5.x系列，不仅支持最新的GPU架构和量化技术，还提供了更完善的分布式训练能力和内存优化方案。

ModelScope魔搭25年9月发布月报

6月27日，腾讯混元宣布开源混元-A13B模型，总参数800亿，激活参数仅130亿，在效果比肩顶尖开源模型的同时，大幅降低推理延迟与计算开销。这意味着，开发者可以用更低门槛的方式获得更好的模型能力。

由西安交通大学、新加坡国立大学和南洋理工大学联合提出，该工作推出了MAPS框架，利用基于Big Seven人格理论的七个智能体和苏格拉底式引导，解决多模态科学问题（MSPs）。通过四阶段求解策略和批判性反思智能体，MAPS在EMMA、Olympiad和MathVista数据集上超越当前最佳模型15.84%，展现了卓越的多模态推理与泛化能力。

在2025年的大语言模型（LLM）训练领域，数据管理和质量控制已成为决定模型性能上限的关键因素。随着模型规模的不断扩大（从早期的数十亿参数到如今的数千亿参数），对训练数据的数量、多样性和质量要求也呈指数级增长。一个高效的数据管理系统和严格的质量控制机制，不仅能够确保训练过程的稳定性，还能显著提升最终模型的性能和安全性。

在2025年，大型语言模型（LLM）的规模已经达到了数千亿甚至数万亿参数，训练这样的庞然大物需要先进的分布式训练技术支持。本文将深入探讨LLM训练中的高效分布式策略，从基础的数据并行到最先进的ZeRO优化技术，为读者提供全面且实用的技术指南。

在当今人工智能领域，提示工程（Prompt Engineering）已成为释放大语言模型（LLM）潜能的关键技术。随着LLM规模和能力的不断增长，如何设计高效、精确的提示词成为研究和应用的焦点。然而，传统的手工提示工程面临着巨大挑战

7月28日晚，智谱带来新一代旗舰模型——GLM-4.5！GLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量，其中 320 亿活跃参数；GLM-4.5-Air 采用更紧凑的设计，拥有 1060 亿总参数量，其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力，以满足智能体应用的复杂需求。

2025魔搭MCP&Agent挑战赛正式拉开帷幕！这是一场聚焦MCP协议生态与Agent应用落地的顶级开发者盛会，旨在推动工具标准化与智能体场景创新，探索AI开发者在终端硬件的创新实践。

近日，趣丸千音（All Voice Lab）MCP正式首发上线魔搭社区。用户只需简单文本输入，即可调用视频翻译、TTS语音合成、智能变声、人声分离、多语种配音、语音转文本、字幕擦除等多项能力。

今天，DeepSeek R1 开源发布了其“小版本”升级——DeepSeek-R1-0528。

随着大模型技术的快速发展，业界的关注点正逐步从模型训练往模型推理 转变。这一转变不仅反映了大模型在实际业务中的广泛应用需求，也体现了技术优化和工程化落地的趋势。