开源

这个OCR，它不只是“识别率又高了几个点”，而是从根上换了个思路：让模型像人一样，带着逻辑去看一页文档，而不是像扫描仪那样机械地从左上角扫到右下角。

这两天刷到一条消息，腾讯混元把自家一个“极小”模型 HY-1.8B-2Bit 开源了，而且明确是面向手机、耳机、智能家居这类消费级硬件的端侧模型。

直接说正事，智谱把自家的新一代OCR模型 GLM-OCR 直接开源了，而且一上来就是“小身材、大能量”的路线。

最近，百度飞桨团队把新一代文档解析模型 PaddleOCR-VL-1.5 开源了，开源Star已获69.9k。

阿里通义实验室正式开源发布Z-Image基座模型，这个仅有6B参数的大模型却保留全量权重分布，原生支持CFG引导机制。

阿里通义千问的Qwen3-TTS模型正式开源了。看完所有功能介绍和性能数据，我发现声音生成的游戏规则正在被重新定义。

如果你也被“手抄文字、手动录数据”折磨过，不妨试试 PaddleOCR。它可能不会让你“瞬间爱上工作”，但至少能让你少掉很多不必要的麻烦。

从个人角度看，Youtu-Tip 把“会聊天的模型”往前推了一大步，变成了“能动手帮你干活的模型”。在处理那些琐碎、重复、又不想自己动手的电脑操作时，确实能省下不少力气。

腾讯混元团队开源了翻译模型1.5版本，一出手就是两个“王炸”，HY-MT1.5-1.8B和HY-MT1.5-7B两个尺寸的模型，把端侧翻译的门槛拉到了新低，效果还比很多商用API更猛。

作为普通用户，我期待的不是更炫酷的技术，而是技术如何让生活更轻松。毕竟，谁不想多睡半小时，让AI替自己“跑腿”呢？

腾讯混元全新开源的HunyuanOCR模型横空出世，参数仅1B却直接拿下多项OCR应用榜单的SOTA。这种端到端设计、多场景适配、小语种支持等这些细节背后，是对开发者真实需求的深度洞察。

美团LongCat-Flash系列又添新成员，LongCat-Flash-Omni正式开源了。早在今年9月，美团就悄咪咪放出了LongCat-Flash系列的前两个版本（Chat和Thinking）。

混元图像3.0（HunyuanImage 3.0）开源啦！这次他们是真的把“工业级”三个字焊死了。80B参数的原生多模态生图模型混元图像3.0不仅直接开源，还把“画画+思考”的能力打包塞进了一个模型里

最近，阿里通义正式开源了他们的首个深度研究Agent模型——DeepResearch。简单来说，它是一种能像人类研究员一样，自主完成信息搜集、分析、推理，最后形成有价值结论的AI模型。