嗯，写点东西记录一下转大模型的经历。

魔搭ModelScope本期社区进展：📟1177个模型，📁216个数据集，416个创新应用，📄 11篇内容

Instella是AMD推出的30亿参数开源语言模型，基于自回归Transformer架构，支持多轮对话、指令跟随和自然语言理解，适用于智能客服、内容创作和教育辅导等多个领域。

由新加坡国立大学Show Lab的Lingmin Ran和Mike Zheng Shou提出，TPDiff是一个创新的视频扩散模型框架，针对视频生成的高计算需求问题，通过分阶段逐步提高帧率优化了训练和推理效率。核心贡献包括提出“时间金字塔”方法和阶段式扩散训练策略，实验表明训练成本降低50%，推理效率提升1.5倍。

由Cohere、SEACrowd等机构联手打造，SEA-VL是一个面向东南亚地区的多文化视觉-语言数据集，填补了AI模型在该地区文化细微差别理解上的空白。该工作通过众包、爬取和生成三种方式收集了128万张文化相关图像，结合本地贡献者确保数据的高质量和多样性，推动了更具包容性的AI发展。

MV-MATH 是中科院自动化所推出的多模态数学推理基准数据集，旨在评估多模态大语言模型在多视觉场景中的数学推理能力。该数据集包含2009个高质量的数学问题，涵盖11个数学领域和3个难度级别，适用于智能辅导系统和多模态学习研究。

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。

IMAGPose 是南京理工大学推出的用于人体姿态引导图像生成的统一条件框架，解决了传统方法在姿态引导的人物图像生成中的局限性，支持多场景适应、细节与语义融合、灵活的图像与姿态对齐以及全局与局部一致性。

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。

VARGPT是北京大学推出的多模态大语言模型，专注于视觉理解和生成任务，支持混合模态输入和高质量图像生成。

🙋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

该项目强调利用阿里云计算有限公司的低代码开发平台和算力资源，开发创新性的教学案例，以支持机器学习和深度学习等前沿技术课程的教学和实验。项目部分成果纳入了即将出版的《深度学习实战案例》教材中，该教材由人民邮电出版社出版。

创空间目前尚未正式支持Docker，尽管界面已显示Beta选项，但暂不可用。具体上线时间请关注官方更新公告。

在大语言模型(LLM)应用的浪潮中，我们常常惊叹于这些模型展现出的强大能力——它们能够进行复杂推理、生成高质量内容、回答专业问题，甚至进行创意写作。然而，与此同时，LLM也面临着一个显著的挑战：幻觉(hallucination)问题。这些"胡言乱语"或"无中生有"的内容不仅可能误导用户，还可能在关键应用场景中造成严重后果。

一副AI眼镜帮你实时智能识别、一只机器狗陪你跑跨栏、一条机械臂听你指挥、一场与机器人的点球大战——这可不是科幻电影，这是2025云栖大会即将上演的现实。

我计划参加魔搭（ModelScope）平台上的Qwen-Coder比赛，通过制作一段视频，分享我开发人脸识别工具的过程。这段视频将以轻松幽默的方式，结合生活中的真实案例，展现如何利用AI技术解决普通人面临的隐私与安全问题。

万相妙思+创意视频大赛开赛啦！双重赛道，奖励叠加！10万奖金池 + 新模型内测资格！

Springboot 控制接口RT暴降80%！CompletableFuture异步编排实战代码模板

小型语言模型（SLM）通常被用于端侧推理，搜索推荐query改写这类对于资源要求低，大规模并发时延要求高的场景

阿里云计算巢模型市场依托阿里云弹性计算资源，支持私有化部署，集成通义千问、通义万象、Stable Diffusion等领先AI模型，覆盖大语言模型、文生图、多模态、文生视频等场景。模型部署在用户云账号下，30分钟极速上线，保障数据安全与权限自主控制，适用于企业级私有部署及快速原型验证场景。

《人工智能导论——深度学习大模型基础》由赵卫东编著，清华大学出版社出版。本书旨在帮助读者理解深度学习与大模型技术的底层逻辑，通过机器视觉、语音处理及自然语言处理等章节，结合实际应用场景，深入浅出地讲解相关理论。书中引入低代码开发平台和云端实验室资源，助力读者实践所学。无论专业背景如何，本书都能成为进入AI领域的理想入门书籍。特别感谢阿里云及参与编校工作的同学们的支持。

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。

周五，首期"搭友来碰头"——魔搭核心开发者共创会在 [杭州·阿里巴巴云谷园区] 圆满落幕。来自杭州、上海、南京、北京等各地的魔搭社区核心开发者齐聚一堂，共同探索从模型开源到技术突破的转化路径。

OpenAI GPT-4o发布强大图片生成能力后，业界对大模型生图能力的探索向全模态方向倾斜，训练全模态模型成研发重点。