🔥The 9th Round of Easy Loan, Earn $40 Reward is in progress❗️ ⏰ Promotion Period: January 15th - Feburary 15th, 2025 👉 Register now and check more details at gate.io/campaigns/358

最近有个朋友跟我讨论技术问题，他在用个第三方的OCR的服务，用来提取发票上的文字为结构化数据。但收费较高，想自己实现一套，试了开源的PaddleOCR，识别可以，但是无法转成结构化的数据。 我建议他试试多模态的LLM，比如Gemini 1.5 Flash，用来做 OCR 效果非常好，可以在 Prompt

Janus的优化地方只有三个： 1. 分开了多模态的理解和生成编码器，后又合并 2. 调整，加长了训练策略 3. 加了一些数据 技术细节还没出，但可以推测的是，太多创新的方法仍然做出了如此之好的效果，说明： 1. 数据质量功不可没。合成数据和蒸馏数据是巨人的肩膀 2. 缩放定律仍然存在，而且很蓬勃

停不下来过年了…但！新年快乐🎉

ChatGPT的深度调研（deep research）功能最惊人的地方不是搜索网页而是对Agent工作的理解，这是一种新的scaling law： “搜索调用工具越多，思考就会越清晰，答案就越接近真相” 所以，给AI时间去思考和调用才是关键。 openai.com/index/introduc…

s1: Simple test-time scaling 这篇论文5天前发布就又掀起AI泡沫讨论 这不是什么离谱的突破但是每一个要训练模型的人都要看的方法。因为他们做对了两件事： 1. 延长了模型思考时间 2. 完整的高质量数据处理流程 就这么简单。我为此详细地写了如何操作，供参考：math.tuzhenzhao.com/llm-poject/s1/…

可以看得出，OpenAI 正在用 o3 的数据来蒸馏 GPT-4o，所以 GPT-4o 越来越强了。 o1、o3 这样的推理模型因为更擅长逻辑推理和长链思考（或在某些领域拥有更深入的知识），因此能生成更高质量、更精准、更具启发性的数据。

20万台GPU啊…真切地感受制裁和不制裁的区别！Grok3拥有略高于R1的水平但成本是R1的256倍！ 我不知道华尔街这群玩股票的人是怎么得出英伟达GPU需求会下降这种弱智结论的。试问如果DeepSeek有20万台GPU，他们只会做一个和o1比肩的模型就会满足是吧？

阿里巴巴通义实验室刚刚开源了一个面向视觉文档的RAG系统：ViDoRAG，ViDoRAG在GPT-4o上准确率达到了 79.4%，比传统RAG提高了10%以上 它可以在一堆包含图片文档中找到，比如“这个产品的最高温度是多少？”或者“这篇文章主要讲了什么？”，

GPT-4o generated comic with simple line of prompt!

有意思

Amin Tootoonchian here is the full video: youtube.com/watch?v=6nJZop…

该模型可以用于： -给图片自动生成描述（Image Captioning） -回答“这张图是什么”的问题（VQA，视觉问答） -分析图中的数据或对象（图像识别） 能够兼容主流 LLM 并轻松适配 iOS/Mac 生态，特别适合落地在边缘设备、端侧 AI 应用和实时图文任务场景。 详细：xiaohu.ai/c/a066c4/fastv…

Level 1: Keyword-based retrieval Level 2: Semantic-based retrieval Level 3: Reasoning-based retrieval 𝗪𝗵𝗮𝘁 𝗶𝘀 𝗥𝗲𝗮𝘀𝗼𝗻𝗶𝗻𝗴 𝗜𝗻𝗳𝗼𝗿𝗺𝗮𝘁𝗶𝗼𝗻 𝗥𝗲𝘁𝗿𝗶𝗲𝘃𝗮𝗹?I It is the ability to find relevant information that requires logical thinking to connect your query

都AI时代了 人们的脑海里第一件事居然还是：我要先做个产品，然后去卖！ 做东西前要先找客户，不要做这做那的，就用AI获客！如果你一个客户都搞不来，你做出产品也不会有客户 1. 用AI生成服务描述，上架fiverr/upworks/闲鱼，记得写好用户寻找服务时的搜索词

🚀 ColQwen2 just dropped in Transformers! 🤗 Say goodbye to brittle OCR pipelines — now you can retrieve documents directly in the visual space with just a few lines of code. Perfect for your visual RAG workflows. Smarter, simpler, faster. Let's dive in! 👇 (1/N 🧵)

总结一波今年最好用的前端组件库，建议收藏，理论上前 3 个绝对够用了，其他的可以没事可以看看找找思路。 21st.dev：现代化的 React UI 组件库，注重极简设计和开发效率，适合快速搭建现代 Web 应用。 uiverse.io：开源 UI