字节开源 UI-TARS 模型！ 2B & 7B & 72B 3个尺寸的模型。Arxiv： https:// arxiv.org/abs/2501.12326GitHub： https:// github.com/bytedance/UI-TARS一次性开源了3个SOTA模型（2B、7B和72B），加一个PC/MacOS应用程序，用于用vLMS控制你的电脑。在 10 个基准测试中击败了 GPT-

OpenAI 在 Anthropic 的同类产品发布 3 个月后，昨晚推出了他们的计算机使用Agent。在OSWorld/WebArena 上评测获得了比较大的提升，说明还是存实际意义的模型进步，而不仅仅是 ui/product 包装。原理也很常规，端到端。@SullyOmarr 发表了关于operator的初印象。初次使用 operator 的感受：对演示用例来说还算不错（不过我个人大概不会用它

昨天都在喊过年了！kimi难得出技术报告，瞧瞧技术细节。技术报告在这里：https://github.com/MoonshotAI/Kimi-k1.5首先还是kimi一贯的宣传特色，长上下文，所以问题来了，如果我们给模型更长的《思考空间》，它是否能自然地学会规划和推理？其次不得不说，这张图太会玩了。推理模型对比普通模型，AIME楞了好久（单指这张图）。3个阶段：预训练&SFT -> RL ->

模型昨天开源，已经发过了，今天简单聊聊技术报告有几个有意思的地方。啊哈时刻训练过程中,模型突然出现了一个有意思的"顿悟"模型会突然停下来说"等等,等等,等等"， 然后用拟人化的语气说"这是一个我可以标记的顿悟时刻"，接着主动重新评估和思考解决问题的方法。这种行为完全是自发形成的,不是人为设计的。思考时间会自主进化模型在训练过程中自然学会了延长思考时间， 从最初的简短回答,逐渐发展到生成数百到数千个

它来了，它来了。preview版本，在代码基准测试LiveCodeBench排名第三，表现与OpenAI o1接近。值得一提的试，deepseek还帮助他们解决了评测的一些bug问题。并且附上了最新的R1模型的推理思考过程。DeepSeek-R1-Lite-Preview使用强化学习训练，推理含大量反思和验证，遵循新的Scaling Laws——推理越长，表现越强。网友们测试，在某些情况下，模型似

github trending今天排名第一，MoneyprinterV2 （中文，印钞机）项目地址：https://github.com/FujiwaraChoki/MoneyPrinterV2MoneyPrinterV2项目是MoneyPrinter项目的新版本。对旧项目的完全重构，重点在于支持更多的功能和更模块化的架构。只需提供一个视频主题或关键词，就可以全自动生成视频的文案、素材、字幕以及背

MiniMax-Text-01和MiniMax-VL-01开源。用到了线性注意力，所以在处理长输入的时候有非常高的效率，接近线性复杂度。支持4M上下文的大海捞针。并且得益于新架构，所以推理更快，在其他模型处理256K tokens的时间，Minimax的模型可以处理高达1000k tokens的信息。456B的模型，每次激活参数为45.9B，结构图如下：效果对齐第一梯队。长文有领先优势。模型地址：

MiniCPM-o 2.6开源，总参数量为 8B。性能上比 MiniCPM-V 2.6 有显著提升，并引入了实时语音对话和多模态视频的新功能。符合小钢炮定位，榜单已冲烂，午睡起来看智谱也发了新的模型，似乎这些榜上已经准备开始甩飞Openai、anthropic的顶尖模型一截了。下边是智谱GLM-4V-Plus 的评测榜单，看起来极度的优秀。开源上比较有特色的应该是这2个新能力？之前应该没有这种模型

首先这个prompt只针对o1有效。最早由推友@python_xxt 提出metaprompt:后续被推友 @howie.serious 做了大量的测试，逐渐完善。其次这个有区别于前2天，关于o1正确用法的帖子。一个是针对内容prompt，一个是针对非内容prompt的。这个鸡血prompt可以显著提升生成内容的质量的。这条 meta prompt 有效的前提，是 o1 和 o1 pro 在本质上

刚刚，百度新推出“AI搜”功能，入口在正常的搜索栏下边，上面的标签页也有一个有创作，画图，智能体的能力，右侧还会有类似思维导图一样的结构化栏，可以点击。中文搜索还行，海外的信息差点意思。可以@选择智能体。跟豆包这些比较类似，所以他要怎么收费，怎么加广告呢？

上周五，新开源的一个嵌入模型，Kalm-embedding 主张通过优质训练数据带来更强的嵌入模型。相比于之前的SOTA模型，用到了更多的数据。model: https://huggingface.co/HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v1.5code: https://github.com/HITsz-TMG/KaLM-Embe

上午，2025 CES消费电子展（1月7日至10日，美国拉斯维加斯）开幕。黄仁勋身着一件新皮衣亮相，黄仁勋手持RTX 50系列显卡，在舞台灯光下格外闪耀。公布新一代 Blackwell GPU 家族产品，包含 RTX 5090、RTX 5080、RTX 5070 Ti 与 RTX 5070上代旗舰卡 RTX 4090 美元定价为 1599 美元。新一代 RTX 5070 就能达到 RTX 4090

微软 Phi4 开源。Phi系列, 它不像许多模型那样依赖自然数据，而是大量采用了高质量的合成数据。然后在各个任务上都获得了不错的效果，虽然打不过qwen 2.5~hf: https://huggingface.co/microsoft/phi-4paper: https://arxiv.org/pdf/2412.08905数据处理要点：合成数据：通过 Multi-Agent 和 self-rev

一篇新文章，Search-o1: Agentic Search-Enhanced Large Reasoning Models，项目地址： https://github.com/sunnynexus/Search-o1像 o1 这些的 LRMs 在给出结果之前会进行大量的思考（推理过程），推理过程中，往往会出现大量不确定性的词，比如说 "perhaps"、"alternatively" 。就是说，

Open Canvas 汲取了 OpenAI “Canvas” 的灵感，但又有所创新，为你带来更强大的功能和更灵活的体验。

GPT-5 进行了>=2 次大规模训练。第一次代号是“Arrakis”，其计算能力是 GPT-4 的两倍。第二次代号是“Orion”，从 2024 年 5 月持续到 11 月。

还记得openai直播12天里边，这只能说会道的麋鹿吗？它能听懂声音，流畅的语音交流。对，它的硬件SDK，刚刚被开源了！这个项目，可以理解成一个智能体，放到各种玩具，小家电里边，让它具备语音互动能力。https://github.com/openai/openai-realtime-embedded-sdkSDK 已经在 esp32s3 和 Linux 上完成了测试。如果用 Linux 系统，无需

DeepSeek V3 预览版低调发布，但是非常牛逼。https://huggingface.co/deepseek-ai/DeepSeek-V3-Base这是世界上第二好的非推理 LLM，仅次于 Gemini Exp 1206，并且是迄今为止最好的开放重量级 LLM。编码能力超强，仅次于o1， Aider评测全精度仅需要 1.5TB 的 RAM 即可运行。只要llama.cpp 支持了，可以用

凌晨，Google对着Openai贴脸开大！相较于此前的1.5 Pro版本，新版本在性能和功能方面均实现了显著提升。Gemini 2.0在核心性能指标上较前代提升了近一倍，特别是在多模态处理方面取得突破性进展。2.0 Flash击败1.5 Pro。同时也击败了LMArena上的o 1 preview（但仍然落后于Gemini-Exp-1206，疑似2.0 Pro型号）。同时，他们还免费开放flas

Hugging Face 上有超过 100 万个 AI 模型，实际上我们可以用本地代码，无需GPU，免费运行它们。随便打开一个模型，可以看到HuggingFace提供了一个Inference API，可以view code确认如何调用这个模型。点开之后，可以选请求方式，或者是否是流式的，代码很简单。即使是多模态的也没问题。比如下图为flux模型这一切都是免费的，但是有次数限制，每个注册账号，可以有