網易有道開源 Confucius4-R2T2：極低延遲、高精度的實時語音轉文字模型
Confucius4-R2T2 是網易有道推出的即時語音辨識模型，重點在低延遲、穩定追加輸出與串流轉錄。
259 月
文章庫
好內容，值得慢慢讀。
從模型突破到日常應用，探索 AI 世界的每一面。
最新文章
由新到舊，第 8 / 109 頁Jina OCR v1：將文件解析成結構化 Markdown
Jina OCR v1 是一款專為文件解析設計的模型，將 PDF、掃描頁面與複雜版面轉成結構化 Markdown。
Brood War Bench：LLM Agent 在《星海爭霸》的測試結果
Brood War Bench 以 Freestyle 虛擬機執行《星海爭霸：怒火燎原》對戰，觀察不同模型與推理設定在即時策略環境中的表現。
歸藏 Product Video Skill：以程式碼製作軟體更新宣傳片
歸藏 Product Video Skill 協助 AI 程式開發工具讀取產品程式碼與更新內容，使用真實元件、分鏡、配樂和動態效果製作可繼續修改的宣傳影片工程。
Qwen-Image-2.1：7B 影像生成與編輯模型
Qwen-Image-2.1 是 Qwen 團隊推出的統一影像生成與編輯模型，視覺生成元件為 7B，支援透明背景、最多 10 張參考圖與局部編輯。
Ming-Image-0.1-Design：專為 UI 與視覺設計打造的 6B 文生圖模型
Ming-Image-0.1-Design 是一款 6B 參數文字轉圖像模型，面向 UI 介面、資訊圖表與海報等文字豐富的視覺設計，並支援輸出透明背景的 RGBA 影像。
GLM-5.3-Flash：320B 總參數、18B 活躍的原生多模態開放模型
GLM-5.3-Flash 是 zai-org 發布的原生多模態 GLM-5 系列模型，採用稀疏與線性注意力混合架構。本文整理它的模型設計、推理入口、本機部署選項與評測解讀。
Sopro V2：120M 也能做到串流與零樣本聲音複製的開源 TTS
Sopro V2 Turbo 是一個 120M 參數、Apache-2.0 授權的多語言語音模型，支援串流、零樣本聲音複製與裝置端推理。本文整理它的速度、語言範圍、部署方式與評測限制。
Ling-3.0-flash-Fin：為財務研究與試算表工作打造的 124B MoE 模型
Ling-3.0-flash-Fin 是 InclusionAI 針對金融資訊檢索、研究、估值與報告整理推出的專用模型。本文整理它的架構定位、可用入口、適合的工作流與驗證限制。
Qwen3.8-Flash-Next 與 Engram：不是讓 1T 模型突然塞進單張顯卡
Qwen3.8-Flash-Next 將大規模 n-gram embedding table 放到架構中，讓模型以 O(1) 查表補足常見多 token 模式。本文拆解 Engram 的用途、記憶體代價與實際部署誤解。