微软近期推出 Phi-4-multimodal 和 Phi-4-mini，这些模型是 Microsoft Phi 系列小型语言模型 (SLM) 中的最新模型。Phi-4-multimodal 能够同时处理语音、视觉和文本，为创建创新且具有上下文感知能力的应用程序开辟了新的可能性。另一方面，Phi-4-mini 在基于文本的任务方面表现出色，以紧凑的形式提供高精度和可扩展性。

Crawl4LLM 是清华大学和卡内基梅隆大学联合开发的智能爬虫系统，通过网页价值评估和优先级队列技术，显著提升大语言模型预训练数据采集效率。

AutoAgents 是基于大型语言模型的自动智能体生成框架，能够根据用户设定的目标自动生成多个专家角色的智能体，通过协作完成复杂任务。支持动态生成智能体、任务规划与执行、多智能体协作等功能。

2024年10月22日，华为发布了HarmonyOS NEXT，标志着鸿蒙生态进入商用发展阶段。原生鸿蒙应用市场全面焕新，不仅在UI设计、互动体验和隐私安全机制上进行了重塑，还为开发者和用户提供了从开发到分发的全生命周期服务。通过统一上架、多端分发、隐私合规保障等措施，原生鸿蒙应用市场助力开发者实现高效、安全的应用开发与分发，为全球数亿鸿蒙用户带来更流畅、更安全的使用体验。

在大语言模型（LLM）时代，模型合并技术正在成为高效整合不同模型能力的关键方法。随着开源模型的爆发式增长，如何在不进行昂贵的重新训练的情况下，将多个专用模型的知识整合到一个统一模型中，成为了研究和工业界的重要课题。Task Arithmetic作为一种新兴的模型合并方法，通过向量操作实现权重融合，为这一挑战提供了创新解决方案。

2025年，大型语言模型的训练面临着前所未有的挑战。随着模型参数量和序列长度的不断增加，传统注意力机制的内存瓶颈问题日益突出。FlashAttention作为一种突破性的注意力算法，通过创新的内存访问模式和计算优化，显著提升了训练效率和内存利用。

🙋魔搭ModelScope本期社区进展：3361个模型，313个数据集，73个创新应用， 8篇内容

近期，字节跳动Seed推出了 BAGEL—— 一个开源的多模态理解和生成础模型，具有70亿个激活参数（总共140亿个），并在大规模交错多模态数据上进行训练。

B站升级动画视频生成模型Index-AniSora技术并开源，支持番剧、国创、漫改动画、VTuber、动画PV、鬼畜动画等多种二次元风格视频镜头一键生成！

4月24日，由中国软件行业校园招聘与实习公共服务平台携手阿里魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行大模型应用实战学生训练营——华东师范大学站圆满结营。

随着大语言模型的发展，参数量逐渐扩大，大语言模型的训练和运行通常需要大量的计算资源，这也限制了大语言模型在一些场景尤其是端侧的应用，所以，探索剪枝，蒸馏等量化方式，已经成为大语言模型研究的一个重要方向。

在当今快速发展的 AI 领域，多模态模型正逐渐成为推动技术革新的重要力量。Google 最新推出的 Gemma 3 模型，凭借其轻量级、多模态的特性，为文本生成和图像理解任务带来了全新的可能性。它不仅支持文本和图像输入，还具备强大的语言处理能力，覆盖超过 140 种语言，并且能够在资源有限的设备上高效运行。从问答到摘要，从推理到图像分析，Gemma 3 正在重新定义 AI 模型的边界，为开发者和研究人员提供了一个极具潜力的工具。

本文介绍了一款校园外卖平台的设计与实现过程。该平台采用Java的SSM框架进行后台管理开发，使用MySQL作为本地数据库，并通过微信小程序为用户提供便捷的操作界面。系统包括管理员、用户和商家三个角色，功能涵盖个人中心、用户及商家管理、菜品分类与信息管理、订单处理等。管理员可在浏览器上登录管理后台数据，用户与商家则通过微信小程序注册登录，分别实现订餐与菜品管理功能。此平台具备界面清晰、操作简单、功能齐全的特点，有助于提升校园外卖管理的效率与规范性。

MT-MegatronLM 是摩尔线程推出的面向全功能 GPU 的开源混合并行训练框架，支持多种模型架构和高效混合并行训练，显著提升 GPU 集群的算力利用率。

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。

当你点进这个标题时内心是怎样复杂的心情，质疑，鄙夷，或者是惊讶？这也正是我们最初点开这篇论文时的心情。然而, 在完成项目测试后, 我们瘫坐在椅子上, 默默打下了 'Prompt工程师,不存在' 这几个

微软推出的AI Dev Gallery，为Windows开发者提供开源AI工具包和示例库，支持本地运行AI模型，提升开发效率。

本文探讨了响应时间在人机交互中的重要性及发展。从1968年Rober B.Miller首次定义响应时间的多个维度，到1991年Stuart K.Card等人提出的立即响应时间常数，再到1993年Jakob Nielsen将响应时间划分为三个关键阈值，直至2020年Google提出的RAIL模型，强调了以用户为中心的性能衡量标准。这些研究为提升用户体验提供了理论基础和技术指导。

随着大语言模型(LLM)在各个行业的广泛应用，其计算需求和环境影响正日益受到关注。根据最新研究，训练一个大型LLM模型可能产生数百吨二氧化碳当量的排放，这相当于普通家庭几十年的碳足迹。在全球气候变化和可持续发展的背景下，如何优化LLM部署的碳足迹，实现环境友好型AI应用，已成为行业面临的重要挑战。

在大型语言模型（LLM）的微调过程中，我们常常面临一个关键挑战：当模型学习新领域或任务的知识时，它往往会忘记之前已经掌握的信息和能力。这种现象被称为"灾难性遗忘"（Catastrophic Forgetting），是神经网络学习中的经典问题，在LLM微调场景中尤为突出。

在2025年的大语言模型(LLM)时代，随着模型规模的指数级增长，部署这些庞然大物变得越来越具有挑战性。GPT-5和Claude 3等最新模型的参数量已经达到数千亿甚至上万亿，这给计算资源和内存带来了巨大压力。模型量化作为一种有效的压缩技术，正在成为解决这一挑战的关键方案。本文将深入探讨LLM量化技术，特别是INT8和动态量化方法，推导其精度损失公式，并提供2025年最新的优化策略和实现代码。

在大型语言模型（LLM）的开发与部署过程中，内存溢出（Out of Memory，简称OOM）错误和性能瓶颈问题是开发者经常面临的两大挑战。随着模型规模的不断扩大（从最初的BERT、GPT-2到现在的GPT-4、Claude 3等千亿甚至万亿参数的模型），这些问题变得更加突出。据2025年最新的开发者调查报告显示，超过78%的LLM开发者在模型训练或推理过程中遇到过OOM错误，而性能瓶颈则影响了约65%的生产环境部署。

ModelScope魔搭25年9月发布月报