DeepSeek-OCR：文档转 Markdown，顺带省下上下文
处理扫描件、财报或手写笔记时，最头疼的往往不是识别不准，…
Pipecat 上手：几十行代码搭一个能打断、能插话的语音 AI
想做实时语音助手，卡人的常常不是模型，而是音频链路：采集…
Moshi：全双工语音对话模型，像打电话一样和 AI 聊天
如果你用过语音助手，大概率经历过那种”对讲机式”的尴尬：…
Open Notebook：自建 NotebookLM，资料变播客
NotebookLM 好用，代价是资料得放在别人服务器上…
Wan2.2：MoE 架构的开源视频生成，本地也能跑起来
想在自己机器上做 AI 视频，却总被闭源 API 的排队…
Docling：把 PDF 转成 Markdown，RAG 前先跑一遍
做 RAG 的人大概都踩过同一个坑：模型换了一轮又一轮，…
TEN-Agent：把实时语音+视觉 Agent 装进自己的服务
搭一个能听、能看、能对话的 AI Agent，最烦人的往…
Transformers：统一 API，换模型不用重写管线
一个人调模型最怕的不是没显卡，而是今天换这个明天换那个，…
MiniCPM-V：端侧多模态新选择，手机也能跑高精度识别
做多模态应用时总被模型体积和显存卡住？想找个能离线跑、中…
OmniParser：多模态Agent的UI屏幕解析利器
做 Agent 卡在最尴尬的一步：模型看得见截图，却看不…
