在大语言模型（LLM）的应用场景中，多轮对话已经成为最核心的交互模式之一。随着2025年LLM技术的快速发展，用户对持续、连贯、个性化的对话体验要求越来越高。然而，多轮对话面临着严峻的技术挑战：首先，LLM的上下文窗口长度虽然在不断扩展（如GPT-5已支持100K tokens），但依然是有限资源；其次，随着对话轮次增加，历史信息不断累积，导致token消耗激增；第三，过长的上下文可能导致模型对早期信息的关注度下降，影响回复质量。

今天，通义万相的视频生成模型又开源了！本次开源Wan2.2-S2V-14B，是一款音频驱动的视频生成模型，可生成影视级质感的高质量视频。

在2025年，大型语言模型（LLM）已成为企业数字化转型的核心驱动力，但随之而来的安全挑战也日益严峻。数据显示，全球每月监测到超过50万次针对大语言模型的越狱攻击，这些攻击利用LLM的"黑箱"特性和自主生成能力，突破了传统安全边界。特斯拉自动驾驶系统因对抗性贴纸导致12%测试场景意外加速、加拿大航空聊天机器人误导票价信息被勒令退款、韩国初创公司因AI数据泄露被罚9.3万美元、谷歌Bard曾因错误信息导致市值缩水1000亿美元等真实案例，都凸显了LLM安全的重要性

Qwen3开源发布：Think Deeper, Act Faster！社区推理、部署、微调、MCP调用实战教程来啦！

本文介绍了如何简易制作并测试MCP服务器，包括环境搭建、代码实现及Docker部署。首先通过uv包创建项目，在main.py中定义MCP服务器及其工具和资源函数。接着详细说明了在Windows上安装uv、配置Docker镜像加速、生成requirements.txt文件以及编写Dockerfile的过程。最后，通过构建和运行Docker容器部署MCP服务器，并使用Node.js工具测试其功能，确保服务器正常工作。此教程适合初学者快速上手MCP服务器的开发与部署。

Memobase 是一个开源的长期记忆系统，专为生成式 AI 应用设计，通过用户画像和时间感知记忆功能，帮助 AI 记住、理解并适应用户需求。

Flux.1 Kontext [dev] 开源模型大家都用上了吗？小编汇总了3个使用教程，打包送上！

2025年1月，阿里通义万相Wan2.1模型登顶Vbench榜首第一，超越Sora、HunyuanVideo、Minimax、Luma、Gen3、Pika等国内外视频生成模型。而在今天，万相Wan2.1视频生成大模型正式开源！

想训练一个专属的题库AI模型

在大语言模型(LLM)技术飞速发展的今天，如何科学、全面地评估和评测这些模型的能力已成为学术界和工业界共同关注的核心问题。2025年，大模型生态系统呈现出百花齐放的态势，从参数规模、架构设计到应用场景都出现了多样化的发展路径。在这种背景下，单一的性能指标或评测方法已经无法满足对大模型进行全面评估的需求。

时隔N年，OpenAI开放模型权重啦！欢迎使用gpt-oss 系列，专为强大的推理、代理任务和多用途开发场景设计。

近日，上海人工智能实验室（上海AI实验室）重磅开源发布了多模态大模型书生·万象 InternVL3.5，通过创新的级联式强化学习（Cascade RL）、动态视觉分辨率路由与解耦部署架构，实现推理能力、部署效率与通用能力的全面升级。

在人工智能与移动计算深度融合的今天，将大语言模型(LLM)部署到移动端和边缘设备已成为行业发展的重要趋势。TensorFlow Lite作为专为移动和嵌入式设备优化的轻量级推理框架，为开发者提供了将复杂AI模型转换为高效、低功耗边缘计算解决方案的强大工具。随着移动设备硬件性能的不断提升和模型压缩技术的快速发展，2025年的移动端LLM部署已不再是遥远的愿景，而是正在成为现实的技术实践。

本文深入探讨微信小程序的数据缓存与本地存储，介绍其意义、机制及应用场景。通过合理使用内存和本地缓存，可减少网络请求、提升加载速度和用户体验。文中详细讲解了常用缓存API的使用方法，并通过一个新闻列表案例展示了缓存的实际应用。最后提醒开发者注意缓存大小限制、时效性和清理，以确保最佳性能。

在 Linux 系统中，全局搜索文件常用 `find`、`locate` 和 `grep` 命令。`find` 根据文件名、类型、大小、时间戳等条件搜索；`locate` 通过预构建的数据库快速查找文件；`grep` 在文件中搜索特定文本，常与 `find` 结合使用。选择合适的命令取决于具体需求。

2025年10月，ModelScope密集发布多模态与大模型更新，并上线国际站、科学智能专区及AIGC工具FlowBench，加速开源生态发展。

大型语言模型（LLM）在自然语言处理领域取得了前所未有的成功，但模型规模的快速增长带来了巨大的计算和存储挑战。一个典型的大型语言模型（如GPT-4或LLaMA 3）可能包含数千亿甚至万亿参数，需要数百GB甚至TB级的存储空间，并且在推理时需要大量的计算资源。这种规模使得这些模型难以在边缘设备、移动设备甚至资源有限的云服务器上部署和使用。

FlowBench 是由 ModelScope x Muse 团队打造的一站式 AI 工作流创作平台，现已开启全面公测。该平台以工作流为核心，支持本地与云端资源协同运行，面向开发者、设计师及 AI 创作者提供高效、稳定、易用的可视化创作体验。FlowBench 原生支持 QwenImage 图像生成模型，最低仅需 8GB 显存即可实现本地生图，并支持多 LoRA 融合、多图批量生成等强大功能。用户可在 Mac 和 Windows 系统下载使用，同时享受云端与本地自由切换带来的灵活体验。公测期间，FlowBench 团队将持续优化功能，推出更多创新特性，助力用户开启高效 AI 创作之旅。

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。

要在本地部署DeepSeek模型，需准备Linux（推荐Ubuntu 20.04+）或兼容的Windows/macOS环境，配备NVIDIA GPU（建议RTX 3060+）。安装Python 3.8+、PyTorch/TensorFlow等依赖，并通过官方渠道下载模型文件。配置模型后，编写推理脚本进行测试，可选使用FastAPI服务化部署或Docker容器化。注意资源监控和许可协议。

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。

本文介绍如何在Mac本地部署和使用大模型，包括基础运行、多模态扩展、交互优化、知识增强、定制进化等技术链路，并提供Ollama、Stable Diffusion、LM-Studio等工具的详细操作指南。

本文介绍了如何利用“扣子”平台创建资源，通过可视化工作流处理并分析文档、表格、PDF等内容，帮助用户快速获取文件核心信息。内容涵盖登录、资源创建、工作流配置及运行操作，适用于多种文件格式，如CSV、Excel、PDF等。

最近，通义灵码上线 MCP（ModelScope Cloud Platform）功能，从之前代码生成及修改的基础功能，到可以使用MCP服务连接更多功能，开发者可以实现从 代码爬取、模型推理到应用部署

Heygem 是硅基智能推出的开源数字人模型，支持快速克隆形象和声音，30秒内完成克隆，60秒内生成4K超高清视频，适用于内容创作、直播、教育等场景。