七月流火，这个夏天火热的开场已然揭开。6月30号，我们在北京举办了首届魔搭开发者大会(ModelScope DevCon 2025)，邀请了国内外知名的开源模型，以及头部开源工具的研发团队，与广大开发者共聚一堂进行分享。顶尖的AI 模型首次从线上 Hub走进线下盛会，为大家呈现了一场“模型全明星”盛会。同时我们还邀请了社区开发者参加我们的“搭友之夜”（aka 大规模面基大会）。大会分享场场爆满，现场只能用一句话来描述：“好～多～人～啊”，不提前占位根本挤不进去～～

上海人工智能实验室开源了生成式世界模型AETHER，该模型仅用合成数据训练，却能在真实环境中展现强大的零样本泛化能力。AETHER首创「重建—预测—规划」一体化框架，融合几何重建与生成建模，大幅提升模型在动态环境中的决策、规划和预测能力。其核心技术包括目标导向视觉规划、4D动态重建和动作条件视频预测，实验结果表明其性能达到或超越现有SOTA水平。论文、模型及项目主页均已开源。

开赛啦！AFAC2025金融智能创新大赛正式启动，等你来报名

面向对话语音合成的模态间与模态内上下文交互建模

Open AI Model is an open model for defining AI. Focused on AI rather than application, Open AI Model [OAM] brings simplest but most powerful design for modeling AI.

Ollama Deep Researcher 是一款完全本地化的网络研究助手，可使用Ollama托管的任何 LLM 。输入一个主题，它将生成网络搜索查询，收集网络搜索结果（默认通过Tavily），总结网络搜索结果，反思总结以检查知识差距，生成新的搜索查询以解决差距，搜索并改进总结，循环次数由用户定义。它将为用户提供最终的 markdown 摘要，其中包含所有使用的来源。

HumanRig：高德地图提出在大规模数据集中学习人形角色的自动绑定技术，数据集开源！

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。

这段文案描述了一幅动画海报的设计理念，融合传统与现代、科技与梦想。画面以上海黄浦江为背景，明月升起象征传统，火箭升空代表科技探索。穿着旗袍的女孩和多元人群展现文化传承，火箭化为飞船遨游宇宙寓意人类追求未知。古代天文仪器与现代科技呼应，体现历史与未来的对话。整体传达对科技成就的喜悦及对未来的美好期许，致敬中国科学家与宇航员，祝福祖国繁荣昌盛。

这篇调查论文是首个系统回顾多模态思维链(MCoT)推理的综述。论文阐明了相关基础概念和定义，提供了全面的分类法，并从不同角度对当前方法进行了深入分析。MCoT将思维链推理的优势扩展到多模态环境中，设计了各种方法和创新推理范式来解决图像、视频、语音、音频、3D和结构化数据等不同模态的独特挑战，在机器人技术、医疗保健、自动驾驶和多模态生成等应用中取得了广泛成功。

TrajectoryCrafter 是腾讯与香港中文大学联合推出的单目视频相机轨迹重定向技术，支持后期自由调整视频的相机位置和角度，生成高质量的新型轨迹视频，广泛应用于沉浸式娱乐、创意视频制作等领域。

FlashMLA 是 DeepSeek 开源的高效 MLA 解码内核，专为 NVIDIA Hopper 架构 GPU 优化，支持 BF16 精度和页式 KV 缓存，适用于大语言模型推理和自然语言处理任务。

新春佳节的鞭炮声已经渐渐远去，在刚刚过去的一个月里，小鲸鱼给全球的开发者带来了一个不平凡的春节。DeepSeek-R1一系列开源模型的发布，给大家带来了惊喜和震动。所有人的热情，也给ModelScope社区带来了前所未见的巨大下载需求和流量，在这个月里，我们进行了数次紧急扩容和线上优化，尽量为大家提供更好的支持与服务。非常感谢大家的陪伴和理解，我们会持续进行平台优化和开源工具的建设，服务好整个开源社区。

检索增强生成（Retrieval-augmented generation，RAG）作为一种关键范式，它通过融入外部知识来提升大型语言模型（LLMs）的能力。RAG的有效性很大程度上取决于检索器和大语言模型之间的对齐程度以及各组件间的紧密交互和协作。

随着短视频、流媒体平台的爆发式增长，如何高效地索引和检索视频数据成为计算机视觉和多媒体领域的重要研究问题。视频哈希（Video Hashing） 是一种通过学习紧凑的二进制编码来高效索引和检索视频的技术，其核心目标是使哈希码的汉明距离（Hamming Distance）能够准确地反映视频之间的语义相似性。

2025 年 2 月 11 日，RWKV 基金会正式发布 RWKV-7-World-2.9B-V3 模型（以下简称 RWKV-7-2.9B）。

Satori 是由 MIT 和哈佛大学等机构联合推出的 7B 参数大型语言模型，专注于提升推理能力，具备强大的自回归搜索和自我纠错功能。

随着大模型（LLMs）的发展，AI 写作取得了较大进展。然而，现有的方法大多依赖检索知识增强生成（RAG）和角色扮演等技术，其在信息的深度挖掘方面仍存在不足，较难突破已有知识边界，导致生成的内容缺乏深度和原创性。

本文提出了一种高效的多模态大模型，多阶段去除冗余视觉token——MustDrop。多模态大模型中的视觉tokens通常表现出显著的空间和时间冗余，并且大模型的大部分输入令牌是视觉tokens，这极大程度上影响了多模态大模型推理效率。

近期Deepseek正式发布 DeepSeek-R1，并同步开源模型权重。DeepSeek-R1 遵循 MIT License，允许用户通过蒸馏技术借助 R1 训练其他模型。

🙋魔搭ModelScope本期社区进展：新增3239个模型，711个数据集，192个创新应用， 16篇内容

魔搭ModelScope本期社区进展：828个模型，72个数据集，61个创新应用，9篇内容