摘要：Judo是一种针对工业异常检测的多模态推理模型，通过三阶段渐进训练解决通用大模型在工业领域的知识不足问题。首先通过并置分割学习建立视觉对比能力（准确率提升至73.01%），然后注入领域知识（准确率79.82%），最后采用多奖励GRPO统一视觉和推理（最终准确率81.20%）。实验表明，无领域知识的CoT推理会使准确率下降9.5%，验证了领域知识的重要性。在MMAD基准测试中，Judo超越GP

摘要：GLM-OCR以仅0.9B参数量在OmniDocBenchV1.5榜单夺冠，技术亮点包括：1）新增AgentSkill模式，实现一行代码集成AIAgent；2）采用CogViT+GLM架构和创新的Multi-Token Prediction技术，吞吐量提升50%；3）全任务GRPO强化学习针对文本/表格等任务设计专用奖励。测试显示其在综合性能（94.62分）、处理速度（PDF 1.86页/秒

YOLO26实现端到端目标检测，彻底移除NMS后处理 摘要：Ultralytics发布的YOLO26标志着目标检测技术的重大突破，首次完全移除了NMS（非极大值抑制）后处理步骤。通过三项关键创新——One-to-One检测头、MuSGD优化器和STAL+ProgLoss训练策略，该模型实现了原生端到端推理，CPU推理速度提升43%。YOLO26不仅简化了部署流程，还支持检测、分割、分类等多任务统一

语音AI推理部署框架sherpa-onnx发布1.12.29版本，支持12项语音功能和多平台部署。该框架由next-genKaldi团队开发，可将Whisper、Moonshine等主流语音模型统一转换为ONNX格式，实现跨平台离线运行。支持12种编程语言和多种硬件架构，包括移动端、嵌入式设备和浏览器环境，并提供NPU加速支持。最新版本新增Supertonic2TTS模型，持续完善多语言绑定和模型

摘要：华中科技大学等团队提出Anomagic框架，通过跨模态提示编码融合视觉参考和文本描述，实现零样本异常图像生成。该方法创新性地结合修复式扩散生成与对比掩码精炼策略，在VisA数据集上取得IS 2.16/IL 0.39的生成质量，集成到INP-Former++检测器后P-F1达54.00%，超越现有方法。团队构建了包含12,987个三元组的AnomVerse数据集，覆盖131种缺陷类型，是目前最

Pipecat是一个开源Python框架，专注于解决语音AI落地的工程编排问题。它将ASR、LLM、TTS等AI服务通过管线(Pipeline)方式连接，实现端到端延迟500-800ms的实时对话系统。框架支持18+语音识别服务、18+大语言模型和24+语音合成服务，并提供多模态交互能力。Pipecat还包含客户端SDK、开发工具和结构化对话模块，适用于语音助手、客服系统等多种场景。虽然依赖外部A

摘要：GLM-OCR以仅0.9B参数量在OmniDocBenchV1.5榜单夺冠，技术亮点包括：1）新增AgentSkill模式，实现一行代码集成AIAgent；2）采用CogViT+GLM架构和创新的Multi-Token Prediction技术，吞吐量提升50%；3）全任务GRPO强化学习针对文本/表格等任务设计专用奖励。测试显示其在综合性能（94.62分）、处理速度（PDF 1.86页/秒

摘要：GLM-OCR以仅0.9B参数量在OmniDocBenchV1.5榜单夺冠，技术亮点包括：1）新增AgentSkill模式，实现一行代码集成AIAgent；2）采用CogViT+GLM架构和创新的Multi-Token Prediction技术，吞吐量提升50%；3）全任务GRPO强化学习针对文本/表格等任务设计专用奖励。测试显示其在综合性能（94.62分）、处理速度（PDF 1.86页/秒

摘要：加拿大Concordia大学团队提出的MedCLIPSeg（CVPR 2026）创新性地将概率建模引入医学图像分割。该模型通过文本提示引导分割，采用概率化注意力机制生成不确定性地图，在仅使用10%标注数据时即达到传统方法全量数据的性能（DSC 81.10%）。实验覆盖16个数据集、5种模态，跨域泛化性能提升显著（OOD DSC提升8-15个百分点），不确定性地图与专家分歧区域高度吻合（相关系

《RacketVision：首个多球拍运动联合分析基准》摘要 上海人工智能实验室等机构提出的RacketVision是首个同时标注球位置和球拍姿态（边界框+5关键点）的多运动基准数据集，覆盖乒乓球、网球和羽毛球942场职业比赛、43.5万帧数据。该研究突破现有数据集仅追踪球的局限，定义了球追踪、球拍姿态估计和球轨迹预测三个递进任务。关键发现表明：多运动联合训练使球追踪mAP提升14.6%-19.2