通义实验室联合人大发布全新GUI Grounding模型UI-Ins，首创“指令即推理”范式，通过多视角动态推理实现SOTA性能，在五大基准全面领先，支持开源复现与应用。

在大语言模型(LLM)的发展历程中，推理能力一直是衡量模型智能水平的关键指标。尽管模型规模的扩大带来了知识覆盖和语言理解能力的显著提升，但在解决复杂推理问题时，单纯增加参数数量并不总能带来预期的性能提升。2022年，Jason Wei等人提出了一项革命性技术——Chain-of-Thought提示(CoT)，这项技术通过引导模型生成中间推理步骤，显著增强了LLM在多步推理任务上的表现。

在大型语言模型（LLM）快速发展的今天，通用基准测试如MMLU、C-Eval等已成为评估模型能力的重要工具。然而，随着LLM在各个行业的深度应用，通用基准往往无法准确反映模型在特定领域、特定任务上的真实表现。2025年，构建企业或组织专属的自定义评测基准已成为大模型落地应用的关键环节。

随着人工智能技术的不断发展，越来越多的企业和个人开始探索如何利用深度学习模型来提升业务效率和用户体验。阿里云推出的【零门槛、轻松部署您的专属 DeepSeek 模型】解决方案为用户提供了多种便捷的部署方式，包括**基于百炼 API 调用满血版、基于人工智能平台 PAl 部署、基于函数计算部署以及基于 GPU 云服务器部署**。本文将从多个维度对这些部署方式进行详细评测，并分享个人的实际体验和观点。

VideoLLaMA3 是阿里巴巴开源的多模态基础模型，专注于图像和视频理解，支持多语言生成、视频内容分析和视觉问答任务，适用于多种应用场景。

Tarsier2 是字节跳动推出的大规模视觉语言模型，支持高质量视频描述、问答与定位，在多个视频理解任务中表现优异。

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。

大型语言模型（LLM）在自然语言处理领域展现出了令人惊叹的能力，能够生成连贯的文本、回答复杂问题、进行创意写作，甚至在某些专业领域提供见解。然而，这些强大模型的一个根本性缺陷——幻觉问题，正成为限制其在关键应用中广泛部署的主要障碍。幻觉（Hallucination）指的是LLM生成的内容与事实不符、上下文矛盾、逻辑错误，或者完全虚构信息的现象。

目前，大多数成功的 强化学习 工作，包括开源研究，都依赖于相对较大的基础模型，例如 32B 模型，特别是在增强代码推理能力方面。业内普遍认为在一个小模型中同时提升数学和代码能力是具有挑战性的。然而，小米MiMo研究团队相信 RL 训练的推理模型的有效性取决于基础模型固有的推理潜力。为了完全解锁语言模型的推理潜力，不仅需要关注后训练，还需要针对推理定制预训练策略。

作为一名软件开发工程师，我体验了阿里云的Quick BI工具。从申请试用账号到上传数据、创建数据集，再到搭建仪表板和使用智能小Q功能，整个过程流畅且简单易用。尤其对非专业数据分析人士来说，拖拽式设计和自然语言问数功能极大降低了操作门槛。虽然在试用入口明显度和复杂语义理解上还有提升空间，但整体体验令人满意。Quick BI让我改变了对数据分析的认知，值得推荐给需要快速制作报表的团队成员。

🙋魔搭ModelScope本期社区进展：1340个模型,220个数据集,🎨91个创新应用,📄 8篇内容

Baichuan-Audio 是百川智能推出的端到端音频大语言模型，支持无缝集成音频理解和生成功能，实现高质量、可控的实时中英双语对话。

MoBA 是一种新型注意力机制，通过块稀疏注意力和无参数门控机制，显著提升大型语言模型在长上下文任务中的效率。

在2025年的大语言模型（LLM）训练领域，数据管理和质量控制已成为决定模型性能上限的关键因素。随着模型规模的不断扩大（从早期的数十亿参数到如今的数千亿参数），对训练数据的数量、多样性和质量要求也呈指数级增长。一个高效的数据管理系统和严格的质量控制机制，不仅能够确保训练过程的稳定性，还能显著提升最终模型的性能和安全性。

大型语言模型（LLM）的架构设计是其性能的核心决定因素。从2017年Transformer架构的提出，到如今的稀疏注意力和混合专家模型，LLM架构经历了快速的演进。本文将全面探讨LLM基础架构的设计原理，深入分析Transformer的核心机制，详细介绍稀疏注意力、MoE等创新架构，并展望未来架构发展方向。通过数学推导和实践案例，为构建高效、强大的LLM提供全面指导。

在大型语言模型（LLM）的发展历程中，如何让模型输出与人类偏好保持一致一直是研究的核心挑战。从早期的监督微调（SFT）到基于人类反馈的强化学习（RLHF），再到如今的直接偏好优化（DPO），对齐技术经历了显著的迭代与创新。

随着大型语言模型（LLM）技术的迅速发展，Hugging Face的Transformers库已经成为LLM开发和应用的标准工具包。作为一个开源的深度学习库，Transformers提供了丰富的预训练模型、统一的接口设计以及强大的生态系统，使得研究人员和开发者能够便捷地构建、训练和部署各类语言模型。2025年，Transformers库已经发展到5.x系列，不仅支持最新的GPU架构和量化技术，还提供了更完善的分布式训练能力和内存优化方案。

腾讯自研 FastMTP 重磅开源：推理速度暴涨 203%，消费级显卡也能跑出无损速度翻倍！

AgentScope 作为一款功能强大的开源多智能体开发框架，为开发者提供了智能体构建、工具使用、多智能体编排等全方位支持。

今天，DeepSeek R1 开源发布了其“小版本”升级——DeepSeek-R1-0528。

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！

前几天，“杭州六小龙”之一「群核科技」在GTC 2025大会开源了空间理解模型：SpatialLM。

LazyLLM 是一个低代码开发平台，可帮助开发者快速构建多智能体大语言模型应用，支持一键部署、跨平台操作和多种复杂功能。

鹏城实验室与清华联合发布全流程开源大模型“开元-2B”，基于国产算力实现高效端侧训练。涵盖数据、代码、训练框架与技术报告，推动开放AI生态发展。

硬件升配解决不了烂SQL！本文提供一套经过验证的AI指令，将大模型转化为资深DBA，通过深度诊断、索引优化和执行计划分析，帮助开发者从根源解决慢查询问题，实现数据库性能的降本增效。

在人工智能快速发展的今天，大型语言模型（LLM）已经成为各行各业的核心工具。然而，如何让LLM能够持续学习和适应新的需求，如何从用户交互中获取有价值的信息来优化模型性能，已经成为当前研究和应用的热点。主动学习提示（Active Learning Prompts）作为一种新型的提示工程技术，通过用户反馈的闭环系统，实现了模型能力的持续优化和提升。