公共资源速递5 个公共数据集：* Brain Tumor 脑肿瘤数据集* HLE 人类问题推理基准数据集* OpenThoughts3-1.2M 推理数据集* Nemotron-Personas 人物角色数据集* OpenMathReasoning 数学推理数据集14 个公共教程：音频生成 * 2视频生成 * 2OCR 识别 * 2大模型部署 * 8...

如今，OCR（光学字符识别）技术早已不再局限于文字识别，而正逐步演化为更复杂的文档解析系统。从最初的简单字符提取，到近年来兴起的多模态大模型，OCR 已融入了版面理解、语义识别与结构还原等任务，在文档识别、字幕识别、物流分拣、文献资料检索等领域广泛落地，...

公共资源速递6 个公共数据集：LEXam 法律推理基准数据集Llamg-Nemotron 推理数据集DeepTheorem 定理证明数据集Eye Detection 眼睛检测数据集OpenCodeReasoning 编程推理数据集GeneralThought-430K 大规模推理数据集2 个公共模型：MiniMind2dots.llm1.inst11 个公共教...

6 月 13 日，全球计算机视觉三大顶级会议之一 CVPR 2025 公布了最佳论文等奖项。根据官方数据，CVPR 2025 共收到了超 4 万名作者提交的 13,008 篇论文，相较去年的投稿数量增长了 13%，大会最终接收论文 2,872 篇，整体接受率约为 22.1%。

6 月 13 日，全球计算机视觉三大顶级会议之一 CVPR 2025 公布了最佳论文等奖项。根据官方数据，CVPR 2025 共收到了超 4 万名作者提交的 13,008 篇论文，相较去年的投稿数量增长了 13%，大会最终接收论文 2,872 篇，整体接受率约为 22.1%。

公共资源速递2 个公共模型：BAGEL-7B-MoTQwen3 Embedding-0.6B & Reranker-0.6B13 个公共教程： 大模型 * 2AI for Science * 5多模态理解与生成 * 6访问官网立即使用：[链接]公共模型1. BAGEL-7B-MoT* 发布机构： 字节跳动 Seed 团队BAGEL-7B-MoT 模型采用混合 Trans...

近年来，TTS（Text-to-Speech，文本转语音）模型经历了从拼接式语音合成到统计参数合成，再到神经网络 TTS（Neural TTS）的迭代，在技术层面呈现出端到端、模块融合的趋势，在应用层面呈现出多语言、高自然度、丰富情感变化的效果升级。

公共资源速递2 个公共数据集：*s1K-1.1 数学推理数据集*HPA 人类蛋白质图谱数据集3 个公共模型： * MedGemma-4B-IT* Devstral-Small-2505* DeepSeek-Prover-V2-7B12 个公共教程： 视频生成 * 2语音交互 * 3代码生成 * 3图像生成编辑 * 4访问官网立即使用： openbayes...

图像风格化旨在通过风格化模型，将一幅图像在保持语义内容不变的同时从一种风格转换到另一种风格。近年随着扩散模型的出现，主流图像风格化方法从基于深度神经网络，转向了通过低秩适配（Low-Rank Adaptation, LoRA）微调的方法，并结合图像一致性模块，显著提升了风...

在 Google I/O 2025 大会上，公司 CEO Sundar Pichai 在活动首日的主题演讲中便分享了多项创新，例如 Gemini 2.5 的全系列升级，Agent Mode 上线 Chrome，编码智能体 Jules 开启公测，Android XR 正式版亮相等等。而在一众令人眼花缭乱的重磅更新之中，还隐藏着一个...

公共资源速递9 个教程：大模型 * 2使用 vLLM+Open WebUI 部署 DeepSeek-Prover-V2-7B使用 vLLM+Open WebUI 部署 OpenMath-Nemotron-1.5B图像处理 * 3KV-Edit 背景一致性图像编辑StarVector 像素图转矢量图 AI 模型In-Context Edit：指令驱动图像生成与编辑音频生成 *...

随着大语言模型（LLM）逐步走向工程化与规模化部署，其推理效率、资源利用率以及硬件适配能力正成为影响应用落地的核心问题。2023 年，加州大学伯克利分校的研究团队开源 vLLM，通过引入 PagedAttention 机制对 KV 缓存进行高效管理，显著提升模型吞吐量与响应速度，...

现有的图像编辑方法主要面临精度与效率之间难以平衡的问题。微调方法需要大量的计算资源和优质数据集，而无需训练的技术则难以满足指令理解和编辑质量。对此，浙江大学和哈佛大学的研究团队推出了 In-Context Edit（ICEdit），一款基于指令的图像编辑框架，仅需极少...

FramePack 是由 ControlNet 作者、斯坦福大学博士生张吕敏 (Lvmin Zhang) 团队近期开源的视频生成框架，它通过创新的神经网络架构，有效解决了传统视频生成中显存占用高、漂移和遗忘等问题。

公共资源速递7 个教程：一键部署 MegaTTS3*Dia-1.6B：情感语音合成 Demo*FramePack 低显存视频生成 Demo*Baichuan-Audio 开源端到端语音交互基座*InstantCharacter：生成任意个性化角色行为*使用 vLLM+Open WebUI 部署 GLM-4-32B*使用 vLLM+Open WebUI 部署 Qwen3 系...

公共资源速递10 个教程：一键部署 R1-OneVisionUNO：通用定制化图像生成TripoSG：单图秒变高保真 3D使用 VASP 进行机器学习力场训练InfiniteYou 高保真图像生成 DemoVenusFactory 蛋白质工程设计平台Qwen2.5-0mni 看听说写全模态打通一键部署 DeepCoder-14B-PreviewV...

如今，主体驱动生成 (subject-driven generation) 已经广泛应用于图像生成领域，但其在数据可扩展性和主体扩展性方面仍面临诸多挑战，例如从单主体数据集转向多主体并对其进行扩展尤为困难；目前的热门研究方向是单主体，在面对多主体生成任务时表现欠佳。

4 月 9 日凌晨，Agentica 团队携手 Together AI 联合开源了名为 DeepCoder-14B-Preview 的代码推理模型，这个仅需 14B 即可媲美 OpenAI o3-Mini 的新模型迅速引起业界广泛关注，在 GitHub 狂揽 3k stars。

公共资源速递5 个数据集：302 例罕见病病例数据集DRfold2 RNA 结构测试数据集NaturalReasoning 自然推理数据集VenusMutHub 蛋白质突变小样本数据集Bird Vs Drone 鸟类与无人机图像分类数据集2 个模型：Qwen2.5-0mniLlama-4-Scout-17B-16E-Instruct4 个教程：CSM 双人...

InfiniteYou（简称 InfU）是由字节跳动智能创作团队近期推出的一款基于 Diffusion Transformers 的身份保持 (identity-preserved) 图像生成框架。它通过先进的技术，能够在生成图像的同时保持人物身份的一致性，即在生成不同场景的图片时能够精准保留面部特征。