# 图像识别 #
0
关注
1266内容
RAGEN：RL训练LLM推理新范式！开源强化学习框架让Agent学会多轮决策
RAGEN是一个基于StarPO框架的开源强化学习系统，通过马尔可夫决策过程形式化Agent与环境的交互，支持PPO、GRPO等多种优化算法，显著提升多轮推理训练的稳定性。
高考理科题AI秒解！昆仑万维开源多模态推理模型 Skywork-R1V 2.0
Skywork-R1V 2.0是昆仑万维最新开源的多模态推理模型，通过混合强化学习和多模态奖励模型实现复杂推理任务，在理科题目解答和科研分析中展现出色性能。
开源8B参数全能扩散模型Flex.2-preview：把线稿变商稿，还能边画边改！
Flex.2-preview是Ostris开源的80亿参数文本到图像扩散模型，支持512token长文本输入和多类型控制引导，内置修复功能并兼容主流AI绘画工具链。
OpenAI 最新多模态图像生成模型 GPT-image-1：一句话生成商业图+智能修图
GPT-image-1是OpenAI推出的新一代多模态图像生成模型，通过API提供专业级图像生成与编辑能力，支持多种分辨率、格式和艺术风格定制。
让AI看懂3小时长视频！Eagle 2.5：英伟达推出8B视觉语言模型，长视频理解能力碾压72B大模型
Eagle 2.5是英伟达推出的8B参数视觉语言模型，通过创新训练策略在长视频和高分辨率图像理解任务中超越更大规模模型，支持512帧视频输入和多样化多模态任务。
让AI看懂图像每个像素！英伟达推出多模态大模型 DAM-3B：图像视频局部描述精度提升300%
英伟达推出的DAM-3B多模态大语言模型，通过创新的焦点提示技术和局部视觉骨干网络，实现了对图像和视频中特定区域的精准描述生成，为内容创作和智能交互领域带来全新可能。
AI生成视频告别剪辑拼接！MAGI-1：开源自回归视频生成模型，支持一镜到底的长视频生成
MAGI-1是Sand AI开源的全球首个自回归视频生成大模型，采用创新架构实现高分辨率流畅视频生成，支持无限扩展和精细控制，在物理行为预测方面表现突出。
微软开源Windows桌面智能体操作系统！UFO²：一句话调度多应用，自动协同工作
UFO²是微软推出的Windows桌面多智能体操作系统，通过中央HostAgent协调多个AppAgent实现跨应用任务自动化，结合GUI交互和原生API调用提升执行效率，支持虚拟桌面隔离运行。
机器人训练师狂喜！Infinite Mobility：上海AI Lab造物神器1秒生成可动家具，成本只要1分钱
上海AI Lab推出的Infinite Mobility采用程序化生成技术，可高效生成22类高质量可交互物体，单个生成仅需1秒且成本低至0.01元，已应用于机器人仿真训练等领域。
音乐人必看！OpenUtau：开源AI歌声合成神器，快速打造专业级虚拟歌手，中文日文无缝切换
OpenUtau是一款开源的歌声合成工具，兼容UTAU音源库和重采样器，支持多语言界面及预渲染功能，让音乐创作更加高效便捷。
免费试用