谛听山海经

GPT-4o 的生图功能持续升级，很多人已经嗅到其中的商业机会。这段时间，我们能看到越来越多的创意应用案例，从刷屏的吉卜力风格图片，到自动生成的英语学习闪卡，变化正在各个领域快速发生。 如果说过去 AI 绘画更多的还是服务于“好看”，那 GPT-4o 带来的则是一个更直接的信号——它能让创意快速变&

IBM推出2 56亿参数的轻量级视觉-语言模型SmolDocling，基于SmolVLM-256M构建，能精准处理商业文件、学术论文、技术报告等各类文档，并正确复现代码、表格、公式、图表等元素，采用DocTags格式实现整页结构还原，性能领先同类大模型。

微软开源MarkItDown，可将PDF、Office、图像、音频等文件转为结构化Markdown，便于LLM和RAG处理。支持命令行、PythonAPI及Docker部署，能集成大模型生成图片描述，具备插件扩展能力。

CosyVoice2 0开源语音合成系统支持中英日韩及多种方言，具备零样本声音克隆、跨语言混合合成、超低延迟流式处理（首包150毫秒）及精细情感控制功能，发音错误率较1 0降低30%-50%，MOS评分达5 53，适合开发者深度定制语音应用。

YOLACT通过双分支并行架构，将实例分割分解为全局原型掩膜和掩膜系数的线性组合，避免了特征重采样，实现实时运行。YOLACT++引入可变形卷积、优化锚点设计和FastMaskRe-Scoring分支，在COCO上达到34 1mAP、33 5fps，兼顾速度与精度。