每日 AI 项目与应用实例

OCRmyPDF 是一款开源命令行工具，专为将扫描的 PDF 文件转换为可搜索、可复制的文档。支持多语言、图像优化和多核处理。

node-DeepResearch 是一个开源 AI 智能体项目，支持多步推理和复杂查询，帮助用户逐步解决问题。

MILS 是 Meta AI 推出的零样本生成高质量多模态描述方法，支持图像、视频和音频的描述生成，无需额外训练。

DeepSeek R1 + LobeChat + Ollama：快速本地部署模型，创建个性化 AI 助手

Oumi 是一个完全开源的 AI 平台，支持从 1000 万到 4050 亿参数的模型训练，涵盖文本和多模态模型，提供零样板代码开发体验。

介绍北大团队提出的 Aligner 模型对齐技术，通过学习对齐答案与未对齐答案之间的修正残差，提升大语言模型的性能。

SpeechGPT 2.0 是复旦大学 OpenMOSS 团队推出的端到端实时语音交互模型，具备拟人口语化表达、低延迟响应和多情感控制等功能。

OpenAI o3-mini是OpenAI推出的全新推理模型，专为科学、数学和编程等技术领域优化，支持三种推理强度，灵活调整性能。

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。

YuE 是香港科技大学和 M-A-P 联合开发的开源 AI 音乐生成模型，能够将歌词转化为完整的歌曲，支持多种音乐风格和多语言。

Qwen2.5-Max是阿里云推出的超大规模MoE模型，具备强大的语言处理能力、编程辅助和多模态处理功能，支持29种以上语言和高达128K的上下文长度。

阿里云通义千问团队开源的多模态推理模型 QVQ-72B-Preview，专注于提升视觉推理能力，支持复杂图像理解和逐步推理。

Qwen2.5-VL 是阿里通义千问团队开源的视觉语言模型，具有3B、7B和72B三种不同规模，能够识别常见物体、分析图像中的文本、图表等元素，并具备作为视觉Agent的能力。

Janus-Pro是DeepSeek推出的一款开源多模态AI模型，支持图像理解和生成，提供1B和7B两种规模，适配多元应用场景。通过改进的训练策略、扩展的数据集和更大规模的模型，显著提升了文本到图像的

Baichuan-Omni-1.5 是百川智能开源的全模态理解模型，支持文本、图像、音频和视频的多模态输入和输出，显著提升多模态交互体验。

DiffuEraser 是阿里通义实验室推出的基于稳定扩散模型的视频修复工具，能够生成丰富的细节并保持时间一致性，适用于电影修复、监控增强等场景。

Chainlit 是一个开源的异步 Python 框架，帮助开发者在几分钟内构建可扩展的对话式 AI 或代理应用，支持多种工具和服务集成。

FilmAgent 是由哈工大与清华联合推出的AI电影自动化制作工具，通过多智能体协作实现从剧本生成到虚拟拍摄的全流程自动化。

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。