Qwen2-Audio：多模态AI系统，融合语音对话和音频分析功能

多模态AI系统，融合语音对话和音频分析功能，支持超过8种语言和方言，无需自动语音识别即可进行语音交互，提供音频信息分析和多语言支持。

Qwen2-Audio：多模态AI系统，融合语音对话和音频分析功能，支持超过8种语言和方言，无需自动语音识别即可进行语音交互，提供音频信息分析和多语言支持。

参考文献：
[1] https://qwenlm.github.io/zh/blog/qwen2-audio/

[2] https://huggingface.co/spaces/Qwen/Qwen2-Audio-Instruct-Demo
[3] Qwen2-Audio Technical Repo：https://arxiv.org/pdf/2407.10759
[4] https://github.com/QwenLM/Qwen2-Audio
[5] https://modelscope.cn/organization/qwen?tab=model
[6] https://huggingface.co/collections/Qwen/qwen2-audio-66b628d694096020e0c52ff6

来源：NLP工程化

0赞

好文章，需要你的鼓励

人工智能

图像生成

模型优化

2025-12-17

OpenAI推出GPT Image 1.5模型加速图像生成竞争

OpenAI推出ChatGPT Images新版本GPT Image 1.5，承诺更好的指令遵循、更精确的编辑功能和高达4倍的图像生成速度。该模型面向所有ChatGPT用户和API开放。这是OpenAI在CEO奥特曼宣布"红色警报"后与谷歌Gemini竞争的最新升级。新模型提供后期制作功能，支持更精细的编辑控制，能在编辑过程中保持面部相似度、光照、构图和色调的视觉一致性，解决了传统AI图像工具迭代编辑时缺乏一致性的问题。

AI Institute杀手锏：用单元测试训练出超强文档识别神器，准确率飙升至82.4%

人工智能

强化学习

文档识别

2025-12-17

AI Institute杀手锏：用单元测试训练出超强文档识别神器，准确率飙升至82.4%

艾伦人工智能研究所开发的olmOCR 2通过创新的单元测试训练方法，将文档识别准确率提升至82.4%，在处理复杂数学公式、表格和多栏布局方面表现卓越。该系统采用强化学习和合成数据生成技术，实现了完全开源，为全球研究者提供了先进的OCR解决方案，推动了AI技术民主化发展。

人工智能

智能体

产品发布

2025-12-17

Zoom推出AI Companion 3.0智能体工作流程

Zoom推出AI Companion 3.0，采用联邦AI架构结合自研模型与OpenAI、Anthropic等第三方大语言模型。新版本具备智能工作流、对话式工作界面等功能，可将会议对话转化为洞察、进度跟踪和文档内容。系统支持加密传输，不使用客户内容训练模型。用户可通过ai.zoom.us访问，或以每月10美元独立购买。