Category: AI项目和框架

GLM-4.6是什么

GLM-4.6 是智谱推出的新一代基座大模型，总参数量达 355B，激活参数 32B。模型在真实编程、长上下文处理、推理能力、信息搜索、写作能力及智能体应用等方面实现全面进阶。代码能力比肩 Claude Sonnet 4，上下文长度提升至 200K，推理和搜索能力显著增强，多语言翻译效果更佳，性价比优势突出。GLM-4.6 适配寒武纪芯片，能实现高效推理部署，为开发者和企业提供强大的 AI 支持，推动人工智能技术的广泛应用与创新发展。GLM-4.6 现已上线智谱 MaaS平台，现在订阅即可体验模型性能。

GLM-4.6的主要功能

• 编程能力：在公开基准与真实编程任务中表现卓越，复杂调试、跨工具调用等场景表现突出，代码生成与优化高效准确。
• 上下文处理：上下文窗口由128K提升至200K，支持超长文档阅读、跨文件编程与复杂推理任务。
• 推理能力：支持工具增强推理，在多个评测基准上取得开源模型最佳表现，逻辑推理能力强。
• 信息搜索：优化长时程、深度信息探索任务，擅长深度研究及内外信息整合。
• 写作能力：文风、可读性与角色扮演场景更符合人类偏好，能生成高质量、风格多样的文本。
• 多语言翻译：进一步增强跨语种任务处理效果，翻译精准流畅。
• 智能体应用：原生支持多类智能体任务，覆盖办公、开发、写作与内容创作，提升 PPT 可用性、前端代码美观度与版面布局。

GLM-4.6的性能表现

• 综合评测：为全面评估 GLM-4.6 的通用能力，在 AIME 25、LCB v6、HLE、SWE-Bench Verified、BrowseComp、Terminal-Bench、τ²-Bench 等 7 大权威基准进行测试。结果显示，GLM-4.6 在大部分榜单中表现卓越，与国际顶尖模型 Claude Sonnet 4 比肩，稳居国产模型首位。
• 真实编程评测：为更精准地测试 GLM-4.6 在真实编程任务中的表现，在 Claude Code 环境下进行真实场景编程任务测试。实际测试结果显示，GLM-4.6 在实际性能方面超越其他国产模型，领先于国际顶尖模型 Claude Sonnet 4。在平均 tokens 消耗上，GLM-4.6 低于多个模型，与 GLM-4.5 相比，GLM-4.6 在同类任务中可节省 30% 以上的 tokens 消耗。

• 硬件适配
  • 寒武纪芯片适配：GLM-4.6已在寒武纪国产芯片上实现FP8+Int4混合量化部署，这是首次在国产芯片投产的FP8+Int4模型芯片一体化解决方案，在保持精度不变的前提下，大幅降低推理成本。
  • 摩尔线程GPU适配：基于vLLM推理框架部署，摩尔线程新一代GPU可基于原生FP8精度稳定运行GLM-4.6，展现了MUSA架构和全功能GPU在生态兼容与快速支持方面的强大优势。

如何使用GLM-4.6

• 通过智谱MaaS平台使用
  • 访问平台：登录智谱 MaaS平台bigmodel.cn，注册并创建账号。
  • 选择模型：在平台上找到GLM-4.6模型，选择相应的服务或套餐。
  • 输入问题：在平台界面输入你的问题或任务，如文本生成、代码生成、搜索等。
  • 获取结果：点击提交后，平台会调用GLM-4.6模型，返回生成的结果。
• 使用API接口
  • 获取API密钥：在智谱 MaaS平台注册账号后，获取API密钥。
  • 调用API：根据平台提供的API文档，使用HTTP请求调用GLM-4.6的API接口，将问题或任务作为参数传递。
  • 解析结果：接收API返回的JSON格式结果，并解析其中的内容。
• 通过z.ai平台：海外用户可以通过z.ai平台使用GLM-4.6。

GLM-4.6的订阅服务优化

• 功能扩展：新增图像识别与搜索能力，进一步丰富订阅服务的功能范围。
• 工具支持：支持 Claude Code、Roo Code、Kilo Code、Cline 等 10 + 主流编程工具，满足不同开发者的多样化需求。
• 套餐升级：
  • 推出 GLM Coding Max 套餐，为高频重度开发者提供三倍用量，满足高强度开发需求。
  • 新增GLM Coding Plan企业版套餐，为企业用户提供兼具安全、成本效益与国际顶尖性能的编码解决方案，助力企业高效开发。
• 性价比提升：通过优化套餐内容和用量，为开发者和企业提供更具性价比的选择。

GLM-4.6的应用场景

• 编程开发：GLM-4.6能高效生成高质量代码，支持复杂调试和跨工具调用，帮助开发者提升编程效率，轻松应对各种开发任务。
• 文档处理：GLM-4.6能轻松处理超长文档，支持跨文件编程与复杂推理任务，满足文档阅读、编辑和分析需求。
• 智能推理：模型能快速准确地解决复杂问题，为用户提供高效智能的推理支持。
• 信息搜索：模型能帮助用户快速获取关键信息，提升工作效率。
• 写作创作：在文风、可读性与角色扮演场景中更符合人类偏好，生成高质量、风格多样的文本，满足学术论文、小说创作等写作需求。

Ring-1T-preview是什么

Ring-1T-preview 是蚂蚁集团开源的万亿参数大模型预览版，基于 Ling 2.0 MoE 架构，在 20T 语料上预训练，通过自研强化学习系统 ASystem 进行推理能力训练。在自然语言推理方面表现出色，AIME 2025 测试中得分 92.6，接近 GPT-5。在 IMO 2025 测试中，一次性解出第 3 题，在其他题目给出部分正确答案，展现出高阶推理能力。

Ring-1T-preview的主要功能

• 强大的自然语言推理能力：在 AIME 2025 测试中取得 92.6 分，接近 GPT-5 的 94.6 分，展现出强大的数学推理能力。
• 高效的问题解决能力：在 IMO 2025 测试中，一次性解出第 3 题，并在其他题目上给出部分正确答案，具备高阶推理能力。
• 多领域竞争力：在 HMMT 2025、LiveCodeBench v6、CodeForces 和 ARC-AGI-1 等任务中表现突出，展现出广泛的适用性。
• 开源协作：代码与权重完全开源，发布在 Hugging Face 平台，便于社区探索与反馈，加速模型迭代完善。

Ring-1T-preview的技术原理

• 架构设计：采用 Ling 2.0 MoE 架构，结合万亿参数规模，为模型提供了强大的表达能力和高效的计算效率。
• 预训练语料：在 20T 高质量语料上完成预训练，确保模型能够学习到丰富的语言知识和模式。
• 强化学习训练：通过自研的高效强化学习系统 ASystem 进行针对推理能力的 RLVR 训练，提升模型的推理和决策能力。
• 持续迭代：模型仍在持续训练中，不断优化性能，解决当前存在的问题，如语种混杂、推理重复等。

Ring-1T-preview的项目地址

• Hugging Face模型库：https://huggingface.co/inclusionAI/Ring-1T-preview

Ring-1T-preview的应用场景

• 自然语言推理任务：在 AIME 25 测试中获得 92.6 分，接近 GPT-5 的 94.6 分，展现出强大的数学推理能力。
• 代码生成与优化：在 CodeForces 测试中以 94.69 分的成绩超过 GPT-5，证明了其出色的代码生成能力。
• 多智能体框架应用：接入多智能体框架 AWorld，可用于测试和探索复杂的推理任务。
• 学术研究与开发：作为全球首个开源的万亿参数推理大模型，为研究者和开发者提供高性能、可复现的推理基座，推动大模型生态的透明化与协作创新。

Claude Sonnet 4.5是什么

Claude Sonnet 4.5 是 Anthropic 最新推出的最强编程模型。模型在编程、计算机操作、推理和数学等多个领域表现出色，在 SWE-bench Verified 测试中登顶，能专注工作超 30 小时。模型具备强大的智能体能力，可通过 API 和工具实现复杂任务自动化。Claude Sonnet 4.5 在对齐性和安全性方面有显著提升，减少不良行为、增强防御能力。Claude Sonnet 4.5支持多种应用场景，包括代码生成、知识问答和内容创作等，目前，Claude Sonnet 4.5 已全面开放，包括 claude.ai 官网、App 和 API（API定价与前代Claude Sonnet 4相同）。

Claude Sonnet 4.5 为用户推出Imagine with Claude临时研究预览功能，用户通过自然语言指令能与 Claude 互动，实时生成和调整软件代码及功能，所有内容均为即时创造，无需预设代码。该功能目前仅对 Max 订阅用户开放，旨在加速软件开发、原型设计和创意探索，提供高效、灵活的交互体验。

Claude Sonnet 4.5的主要功能

• 长时运行智能体：提供卓越的指令遵循、工具选择、错误纠正和高级推理能力，适用面向客户的智能体和复杂 AI 工作流。
• 代码生成：Sonnet 4.5 能完成从初始规划到漏洞修复、维护和大规模重构的整个软件开发生命周期任务，支持最多 64K 输出 tokens，适合复杂代码生成和规划。
• 浏览器和计算机操作：模型在计算机操作能力上领先，能可靠地处理各种基于浏览器的任务，从竞争分析到采购流程再到客户入职，计算机操作能力比前代更准确可靠。
• 网络安全：用 Sonnet 4.5 和 Claude Code 的团队能部署智能体，自动修补漏洞以防止被利用，从被动检测转向主动防御。
• 金融分析：模型能处理从基础金融分析到高级预测分析的所有任务，例如持续监控全球监管变化，提前调整合规系统，实现从手动审计准备到智能风险管理的转变。
• 业务任务：模型在制作和编辑幻灯片、文档和电子表格等办公文件方面表现出色。
• 研究：Sonnet 4.5 能搜索外部和内部数据源，以综合复杂信息环境中的全面见解。
• 内容生成与分析：模型在写作方面表现出色，能理解细微差别和语调，生成更具吸引力的内容，在更深层次上分析内容。

Claude Sonnet 4.5的核心升级

• Claude Code：Claude Sonnet 4.5 在 Claude Code 中新增检查点功能，能保存进度、即时回退到之前状态，同时更新终端界面、发布原生 VS Code 扩展，满足用户的强烈需求、提升开发体验。
• Claude API：Claude Sonnet 4.5 为 Claude API 新增上下文编辑功能和记忆工具，使智能体能运行更长时间、处理更复杂的任务，进一步增强 API 的功能和应用场景。
• Claude 应用：Claude Sonnet 4.5 将代码执行和文件创建功能（包括电子表格、幻灯片和文档）直接集成到 Claude 应用的对话中，为上个月加入等待列表的 Max 用户提供 Chrome 扩展，提升用户在实际使用中的便利性和效率。
• Claude Agent SDK：Claude Sonnet 4.5 推出 Claude Agent SDK，为开发者提供构建 Claude Code 所使用的基础设施和工具，使开发者能构建自己的前沿产品。

Claude Sonnet 4.5的性能表现

• SWE-bench Verified 评估：Claude Sonnet 4.5 在 SWE-bench Verified 评估中达到行业领先水平。实际应用上，模型能在复杂、多步骤的任务中保持专注超过 30 小时。
• OSWorld 基准测试：在 OSWorld 基准测试中，Claude Sonnet 4.5 的表现大幅提升，达到 61.4% 的准确率，领先于其他模型。
• Chrome 浏览器：通过 Claude for Chrome 扩展，Sonnet 4.5 能直接在浏览器中工作，包括浏览网站、填写电子表格和完成任务。
• 在推理和数学等广泛评估：Claude Sonnet 4.5 在推理和数学等广泛评估中展现改进的能力，相比之前的模型，在这些领域的表现更加出色。
• 在特定领域知识和推理能力：金融、法律、医学和 STEM 领域的专家发现，Sonnet 4.5 在特定领域的知识和推理能力上相比旧模型（包括 Opus 4.1）有显著提升。

Claude Sonnet 4.5的应用场景

• 长时运行智能体：适用需要长时间运行的复杂任务，如自动化工作流、持续监控和多步骤任务处理。
• 代码生成：贯穿整个软件开发生命周期，从规划到实现、维护和重构，支持复杂编程任务。
• 浏览器和计算机操作：支持处理基于浏览器的任务，如自动化网页操作、数据抓取和在线流程处理。
• 网络安全：部署智能体能自动检测和修复漏洞，从被动防御转向主动安全防护。
• 金融分析：模型能进行从基础到高级的金融分析，包括风险评估、合规监控和预测分析。

Claude Sonnet 4.5的官方报告

免费领取Claude Sonnet 4.5官方模型报告，微信扫码关注回复：20250930

Claude Sonnet 4.5的适用人群

• 软件开发者：模型强大的代码生成和优化能力，帮助开发者快速实现复杂编程任务，提升开发效率。
• 网络安全团队：模型能自动检测和修复漏洞，助力团队从被动防御转向主动安全防护。
• 金融分析师：模型能处理从基础到高级的金融分析，包括风险评估和合规监控，助力智能风险管理。
• 企业业务人员：高效创建和编辑办公文件，如幻灯片、文档和电子表格，提升日常办公效率。
• 研究人员：整合内外部数据源，生成跨复杂信息领域的综合见解，助力学术和商业研究。

OpenPPT是什么

OpenPPT 是开源的PPT工具，核心服务基于ChatPPT能提供高效、便捷的 PPT 制作体验。工具支持多平台使用，包括 Windows、macOS 和 Linux，让用户能在不同设备上轻松创建和编辑演示文稿。OpenPPT 的特点包括简洁的界面设计、丰富的模板资源及强大的协作功能，支持多人实时在线编辑，方便团队协作。OpenPPT 提供丰富的动画和交互效果，帮助用户制作更具吸引力的演示文稿。工具开源特性吸引了众多开发者参与贡献，不断优化功能和性能。

OpenPPT的主要功能

• 多平台支持：兼容 Windows、macOS 和 Linux 系统，用户能在不同设备上无缝切换使用，满足多样化的工作环境需求。
• 简洁易用的界面：操作直观，上手简单，新手也能快速掌握基本功能，高效制作演示文稿。
• 丰富的模板库：内置多种专业模板，涵盖不同主题和场景，用户能直接选用或修改，节省设计时间。
• 强大的协作功能：支持多人实时在线编辑，团队成员能同时对同一演示文稿进行操作，实时查看修改内容，提升协作效率。
• 动画与交互效果：提供丰富的动画效果和交互设计选项，如页面切换动画、元素动画等，让演示文稿更具吸引力和表现力。
• 支持多种格式导入导出：兼容常见的 PPT 文件格式，方便地导入其他软件制作的演示文稿，支持导出为多种格式，便于分享和使用。

如何使用OpenPPT

• 安装与启动：访问OpenPPT的GitHub仓库 https://github.com/YOOTeam/OpenPPT，下载对应操作系统的安装包，安装完成后启动软件。
• 选择模板：打开软件后，从内置的丰富模板库中选择一个适合主题的模板，快速开始制作演示文稿。
• 编辑内容：通过文本框、图片插入、图表绘制等功能，添加和编辑演示文稿的内容。
• 添加动画：用动画工具栏，为幻灯片中的元素添加进入、强调、退出等动画效果，增强演示的视觉吸引力。
• 多人协作：点击协作功能按钮，邀请团队成员加入，实时在线共同编辑同一演示文稿，实时查看彼此的修改。
• 导出分享：完成制作后，选择导出功能，将演示文稿保存为PPTX、PDF等常见格式，方便在其他设备或软件中使用和分享。

OpenPPT的项目地址

• 项目官网：ChatPPT
• GitHub仓库：https://github.com/YOOTeam/OpenPPT

OpenPPT的应用场景

• 企业汇报：用在制作公司内部的项目汇报、业绩展示、市场分析等演示文稿，简洁高效地传达信息。
• 教育培训：教师或培训师创建教学课件，结合动画和互动效果，提升教学趣味性和学生参与度。
• 学术演讲：研究人员和学者借助OpenPPT制作学术报告，清晰展示研究思路、实验结果和结论。
• 产品展示：企业用OpenPPT制作产品介绍演示文稿，突出产品特点和优势，用在发布会或销售推广。
• 团队协作：团队成员通过OpenPPT的协作功能共同编辑演示文稿，实时沟通和修改，提高工作效率。

DeepSeek-V3.2是什么

DeepSeek-V3.2-Exp是DeepSeek-AI推出的实验性人工智能模型，通过引入DeepSeek Sparse Attention（DSA）机制，显著提升长文本处理的效率。模型基于DeepSeek-V3.1-Terminus持续训练而成，仅在架构上引入了DSA，实现了细粒度稀疏注意力机制，借助闪电索引器（lightning indexer）高效选择关键信息，在长文本训练和推理时大幅提高效率。

在性能方面，DeepSeek-V3.2-Exp在多个公开评测集上与DeepSeek-V3.1-Terminus基本持平，展现了其在不同领域的能力。模型在Hugging Face和ModelScope平台开源，方便研究人员和开发者进行探索和应用。DeepSeek-V3.2-Exp的API价格大幅下降，降低了开发者的使用成本，进一步推动了其在实际应用中的广泛部署。

DeepSeek-V3.2的主要功能

• 架构创新：DeepSeek-V3.2-Exp在DeepSeek-V3.1-Terminus的基础上引入了DeepSeek Sparse Attention（DSA）机制，通过闪电索引器和细粒度标记选择机制，实现了显著的效率提升，尤其在长文本场景下表现突出。
• 性能优化：模型在多个公开评测集上与DeepSeek-V3.1-Terminus性能相当，在长文本处理中显著降低了推理成本，从 O(L2) 优化至 $O(Lk)$，大幅提高了长文本推理效率。
• 开源共享：DeepSeek-V3.2-Exp在Hugging Face和ModelScope平台开源，提供了详细的实现细节和模型权重，方便研究人员和开发者进行研究和应用。
• 成本降低：API价格大幅下降，降低了开发者的使用成本，使得更多开发者能够以较低成本接入和使用该模型，推动了其在实际应用中的广泛部署。
• 应用拓展：官方App、网页端、小程序均已更新为DeepSeek-V3.2-Exp，支持多种应用平台，为用户提供了更高效、更经济的AI服务体验。

DeepSeek-V3.2的技术原理

• 稀疏注意力机制：DeepSeek-V3.2-Exp引入了DeepSeek Sparse Attention（DSA），通过闪电索引器计算查询标记与前序标记之间的索引分数，选择关键值条目，实现细粒度的稀疏注意力，显著提升长文本处理效率。
• 闪电索引器：闪电索引器是DSA的核心组件，计算查询标记与前序标记之间的索引分数，通过少量的索引头和高效的计算方式，快速确定哪些标记对查询标记最重要。
• 细粒度标记选择：根据索引分数，模型选择前k个关键值条目进行注意力计算，减少了不必要的计算，提高了模型的推理速度和效率。
• 基于MLA的实现：DSA在Multi-Layer Attention（MLA）架构下实现，采用Multi-Query Attention（MQA）模式，使得每个关键值条目可以在多个查询之间共享，提高了计算效率。
• 持续训练与优化：从DeepSeek-V3.1-Terminus的基础检查点开始，通过密集热身和稀疏训练两个阶段，对闪电索引器和整个模型进行优化，以适应稀疏注意力模式。

DeepSeek-V3.2的项目地址

• HuggingFace模型库：https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp
• 魔搭社区：https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp
• 技术论文：https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf

如何使用DeepSeek-V3.2

• 通过API使用：开发者可以调用DeepSeek-V3.2-Exp的API接口，在自己的应用程序中集成该模型的功能。API价格的大幅下降使得使用成本降低，方便更多开发者接入。
• 本地运行：用户可以从Hugging Face平台下载DeepSeek-V3.2-Exp的模型权重，按照提供的本地运行指南，将权重转换为推理演示所需格式，并启动交互式聊天界面进行使用。
• 使用官方应用：DeepSeek的官方App、网页端和小程序均已更新为DeepSeek-V3.2-Exp版本，用户可以直接通过这些平台使用模型，无需额外配置。
• 模型微调：对于特定任务或领域，用户可以基于DeepSeek-V3.2-Exp进行微调，以更好地适应特定的应用场景，提升模型在特定任务上的性能。
• 二次开发：DeepSeek-V3.2-Exp在Hugging Face和ModelScope平台开源，用户可以参考开源代码和实现细节，了解模型的具体工作方式，并根据需要进行二次开发。

DeepSeek-V3.2的应用场景

• 长文本处理：适用于需要处理长文本的场景，如长篇文档分析、长文本生成等，其稀疏注意力机制能显著提高长文本的处理效率。
• 搜索与信息检索：可用于搜索代理等场景，帮助用户快速准确地检索信息，提升搜索效率和相关性。
• 代码生成与编程辅助：支持代码生成和编程辅助任务，如代码补全、代码优化等，帮助开发者提高编程效率和代码质量。
• 数学与逻辑推理：在数学问题解答和逻辑推理任务中表现出色，能够处理复杂的数学问题和逻辑推理链。
• 多语言处理：支持多语言任务，可应用于跨语言的文本生成、翻译等场景，满足不同语言环境下的需求。
• 智能代理与交互：作为智能代理的核心模型，可用于构建智能助手、聊天机器人等，提供自然语言交互服务。

Lynx是什么

Lynx 是字节跳动推出的高保真个性化视频生成模型，仅需单张人像照片，能生成身份一致的视频。基于扩散 Transformer（DiT）基础模型构建，引入 ID-adapter 和 Ref-adapter 两个轻量级适配器模块，分别用于控制人物身份和保留面部细节。Lynx 采用人脸编码器捕捉面部特征，通过 X-Nemo 技术增强表情，LBM 算法模拟光影效果，确保人物身份在不同场景下的一致性。其交叉注意力适配器可将文本提示与人脸特征结合，生成符合场景要求的视频。Lynx 具备“时间感知器”，能理解动作物理规律，保持视频时间连贯性。在大规模测试中，Lynx 在面部相似度、场景匹配度和视频质量等多个维度上表现优异，超越同类技术。采用 Apache 2.0 授权，可用于商用，但需确保人脸原图获得肖像权。

Lynx的主要功能

• 个性化视频生成：仅需单张人像照片，即可生成身份一致的个性化视频。
• 身份特征保留：通过人脸编码器和适配器模块，确保人物在不同场景下身份特征的一致性。
• 场景匹配能力：利用交叉注意力适配器，结合文本提示生成符合场景要求的视频。
• 时间连贯性：具备“时间感知器”，理解动作物理规律，保持视频时间维度的连贯性。
• 高性能表现：在面部相似度、场景匹配度和视频质量等多个维度上表现优异，超越同类技术。
• 商用授权：采用 Apache 2.0 授权，可用于商用，但需确保人脸原图获得肖像权。

Lynx的技术原理

• 基于扩散 Transformer 架构：Lynx 采用开源的扩散 Transformer（DiT）基础模型构建，高效地将随机噪声转换为目标内容。
• 身份特征提取与保留：通过 ArcFace 技术提取人脸特征，利用 Perceiver Resampler 将特征向量转换为适配器输入，确保生成视频中人物身份的一致性。
• 细节增强与适配：引入轻量级的 ID-adapter 和 Ref-adapter 模块，分别用于控制人物身份和保留面部细节，使生成的视频在细节上更加逼真。
• 交叉注意力机制：在所有 Transformer 层中注入细粒度细节，通过交叉注意力机制将文本提示与人脸特征相结合，生成符合场景要求的视频。
• 3D 视频生成技术：采用 3D VAE 架构，赋予模型“时间感知器”，使其理解动作的物理规律，在生成视频时保持时间维度的连贯性。
• 对抗训练策略：通过生成器、判别器和身份判别器的三重对抗训练机制，优化模型性能，提升生成视频的逼真度。

Lynx的项目地址

• 项目官网：https://byteaigc.github.io/Lynx/
• Github仓库：https://github.com/bytedance/lynx
• HuggingFace模型库：https://huggingface.co/ByteDance/lynx

Lynx的应用场景

• 数字人制作：为虚拟主播、客服等数字人生成逼真的动态视频，提升交互体验。
• 影视特效制作：快速生成特定人物在不同场景中的视频片段，辅助影视特效制作，节省时间和成本。
• 短视频创作：创作者可利用单张照片生成多样化视频，丰富内容创作，提高创作效率。
• 广告营销：根据产品和品牌需求，生成个性化视频广告，增强广告的吸引力和传播力。
• 游戏开发：为游戏角色生成个性化动作和表情，提升游戏的沉浸感和真实感。
• 教育与培训：生成教育视频，如虚拟教师讲解课程，或培训视频中的人物演示操作步骤。

JoySafety是什么

JoySafety 是京东开源的大模型安全框架，为企业提供成熟、可靠、免费的大模型安全防护方案。模型基于多种原子能力模块（如 BERT、FastText、Transformer 等）和灵活的架构设计，支持高并发、高扩展性及动态策略更新，能有效拦截高风险内容，保障 AI 应用的安全稳定运行。模型具备易用性，支持一键 Docker 启动和标准化 API 接口，方便快速集成。

JoySafety的主要功能

• 内容安全检测：通过敏感内容拦截、红线代答和智能纠偏，确保输出内容符合法规和道德要求，为企业和用户提供安全可靠的 AI 交互环境。
• 数据安全防护：检测、防止数据泄露，对用户输入和模型输出中的敏感信息进行识别和保护，确保数据处理过程符合隐私法规要求。
• 提示词攻击防御：基于多轮对话识别技术，智能分析上下文，识别、防御恶意提示词攻击，保障 AI 对话系统的安全性和稳定性。
• 策略编排与动态更新：支持通过 API 动态调整安全策略，实现原子能力热插拔，灵活适应不同业务场景，无需中断服务即可更新检测模块。
• 高扩展性与负载均衡：支持集群化部署，通过水平扩展和智能负载均衡技术，提升系统并发处理能力，满足高并发业务需求。
• 易用性与集成：通过 Docker Compose 实现一键启动，提供标准化 API 接口，支持多语言调用，方便与现有系统快速集成。

JoySafety的技术原理

• 多模型协同检测：通过多种预训练模型（BERT/FastText/Transformer 等模型）对输入内容进行分类和检测，识别潜在风险。：结合敏感词库和红线知识库，提供精准的拦截和代答策略。
• 异步检测机制：采用异步输出机制，将检测任务与主业务流程解耦，大幅提升响应速度，减少用户等待时间。通过多轮对话上下文，智能识别潜在的提示词攻击或恶意引导，确保对话安全。
• 动态策略更新：原子能力热插拔支持在运行时动态更新检测模块，无需重启服务。通过轻量级编排引擎，灵活配置检测策略，适应不同业务需求。
• 智能负载均衡：支持水平扩展，通过负载均衡技术提升系统并发处理能力。基于窗口化检测策略在性能与准确性之间找到平衡，优化系统资源利用率。

JoySafety的项目地址

• GitHub仓库：https://github.com/jd-opensource/JoySafety

JoySafety的应用场景

• AI 导购：为电商平台提供安全可靠的推荐内容，避免误导消费者，确保推荐信息符合法规和道德标准。
• 物流客服：在物流客服场景中，拦截不当言论和敏感信息，提供合规的客户支持，提升服务质量。
• 销售助手：帮助销售人员在与客户沟通时防止敏感信息泄露，保障商业机密安全，避免法律风险。
• 医疗问诊：在医疗咨询中过滤不合规内容，确保提供的医疗建议安全可靠，符合医疗法规和伦理要求。
• 商家工作台：保护商家在平台上的数据安全，防止隐私泄露，确保商家信息符合隐私法规。

KAT-Coder是什么

KAT-Coder 是快手旗下 Kwaipilot 团队发布的闭源旗舰代码生成模型，具备强大的编程能力。能高效完成功能开发、缺陷分析、单测生成等任务，支持多种编程语言，如 Python、JavaScript、Java 等。用户只需描述需求，模型能交付完整的代码解决方案。KAT-Coder 在 SWE-Bench Verified 测试中解决率高达 73.4%，表现卓越。通过 StreamLake 平台提供 API 调用，企业和团队可集成其功能用于自动代码审查、智能编程辅助等场景。

KAT-Coder的主要功能

• 代码生成：能根据用户的需求描述，快速生成高质量的代码片段或完整的代码解决方案，支持多种编程语言，如 Python、Java、JavaScript 等，极大地提高了开发效率。
• 代码审查：可以自动检测代码中的潜在缺陷、错误和不规范之处，提供详细的审查报告和改进建议，帮助开发者及时发现和修复问题，提升代码质量。
• 单测生成：能自动生成单元测试代码，确保代码的正确性和稳定性，减少手动编写测试代码的工作量，提高测试覆盖率。
• 问题诊断：针对复杂的编程问题，KAT-Coder 可以提供详细的分析和解决方案，帮助开发者快速定位问题根源，节省调试时间。
• 多轮交互：支持与用户进行多轮对话，更好地理解用户需求，提供更精准的代码生成和问题解答服务，增强用户体验。

KAT-Coder的技术原理

• 多阶段训练：采用多阶段训练方法，包括 Mid-Training、监督微调（SFT）、强化微调（RFT）和大规模智能体强化学习（RL）阶段，通过不同阶段的训练，逐步提升模型的性能和泛化能力。
• 工具使用能力训练：在训练过程中，大量增加工具使用能力的训练，使模型能够更好地理解和使用各种编程工具和资源，提升其在实际编程场景中的应用能力。
• 多轮交互训练：通过多轮交互训练，让模型学会在多轮对话中更好地理解用户需求，提供更精准的代码生成和问题解答服务，增强与用户的交互体验。
• 人类工程师指导：在强化微调阶段，引入人类工程师标注的“教师轨迹”作为训练指导，使模型能够学习到更符合人类编程习惯和逻辑的解决方案，提高代码的可读性和可维护性。
• 大规模强化学习：采用大规模智能体强化学习技术，通过数概率计算的前缀缓存、基于熵的轨迹剪枝等方法，解决扩展智能体强化学习面临的挑战，进一步提升模型的性能和效率。

KAT-Coder的项目地址

• 项目官网：https://kwaipilot.github.io/KAT-Coder/

KAT-Coder的应用场景

• 自动代码生成：根据用户的需求描述，快速生成高质量的代码片段或完整的代码解决方案，支持多种编程语言，显著提升开发效率。
• 代码审查与优化：自动检测代码中的潜在缺陷、错误和不规范之处，提供详细的审查报告和改进建议，帮助开发者提升代码质量。
• 单元测试生成：自动生成单元测试代码，确保代码的正确性和稳定性，减少手动编写测试代码的工作量，提高测试覆盖率。
• 复杂问题诊断：针对复杂的编程问题，提供详细的分析和解决方案，帮助开发者快速定位问题根源，节省调试时间。
• 智能编程辅助：在开发过程中，为开发者提供实时的代码补全、函数调用建议、语法检查等智能辅助功能，提升编程体验。
• 技术面试与学习：用于技术面试的代码题解答，帮助面试官评估候选人；也可作为学习工具，辅助开发者学习新的编程语言或技术。

KAT-Dev-32B是什么

KAT-Dev-32B 是快手 Kwaipilot 团队发布的开源代码智能大模型，拥有 32 亿参数。在 SWE-Bench Verified 基准测试中取得了 62.4% 的解决率，排名第 5。模型经过多个阶段的训练，包括中期训练、监督微调（SFT）与强化微调（RFT）阶段，以及大规模智能体强化学习（RL）阶段，以提升其工具使用能力、多轮对话理解、指令遵循等核心能力。支持 Python、JavaScript、Java、C++、Go 等主流编程语言，在 Hugging Face 平台上线，方便开发者使用。

KAT-Dev-32B的主要功能

• 代码生成：根据用户需求描述生成相应代码，支持多种主流编程语言，如 Python、JavaScript、Java、C++、Go 等。
• 代码理解：帮助开发者理解复杂代码逻辑，快速把握代码结构和功能。
• Bug 修复：快速定位代码中的错误并提供修复建议，提高开发效率。
• 性能优化：对代码进行优化，提升运行效率，改善软件性能。
• 测试用例生成：自动生成测试用例，提高测试覆盖率，确保软件质量。
• 多轮对话理解：能进行多轮对话，理解用户需求，提供更精准的代码解决方案。
• 领域知识注入：结合特定领域的知识，生成更符合行业标准的代码。
• 真实开发流程支持：模拟真实开发流程，帮助开发者更好地适应实际开发环境。

KAT-Dev-32B的技术原理

• 基于Transformer架构：采用Transformer架构，能处理长文本序列，捕捉代码中的长距离依赖关系，为代码生成和理解提供强大的基础能力。
• 预训练与微调结合：先在大规模代码数据上进行预训练，学习通用的编程模式和语言特征；然后针对特定任务进行微调，更好地适应代码生成、理解等具体应用场景。
• 强化学习优化：通过强化学习对模型进行优化，在生成代码时能更好地遵循编程规范和逻辑，提高代码质量和可用性。
• 多任务学习：同时学习多种编程相关任务，如代码生成、代码补全、代码修复等，使模型能综合运用多种能力，更全面地理解和生成代码。
• 上下文感知：能理解代码的上下文信息，包括变量定义、函数调用等，生成与上下文一致的代码片段，提高代码的准确性和可读性。
• 领域知识融合：将特定领域的知识融入模型训练中，使模型在处理特定领域代码时能够生成更符合该领域规范和习惯的代码。

KAT-Dev-32B的项目地址

• HuggingFace模型库：https://huggingface.co/Kwaipilot/KAT-Dev

KAT-Dev-32B的应用场景

• 代码理解：帮助开发者快速理解复杂代码的逻辑结构和功能，便于代码维护和重构。
• Bug 修复：自动检测代码中的错误并提供修复建议，减少调试时间。
• 性能优化：分析代码并提出性能优化方案，提升软件运行效率。
• 测试用例生成：自动生成测试用例，提高测试覆盖率，确保软件质量。
• 多语言支持：支持多种主流编程语言，满足不同开发场景的需求。
• 开发辅助：在开发过程中提供实时代码建议和补全，提升开发体验。
• 教育与学习：为编程学习者提供示例代码和解释，辅助编程教学。

Manzano是什么

Manzano是苹果公司推出的新型多模态大语言模型（LLM），能同时实现图像理解和图像生成的统一。模型通过混合视觉分词器（hybrid vision tokenizer）将图像转化为连续的嵌入向量用于理解任务，及离散的图像标记用在生成任务。Manzano的核心是自回归的LLM解码器，能预测文本和图像标记。Manzano配备一个扩散解码器（diffusion decoder），用在将生成的图像标记转化为像素级别的图像。使Manzano在理解任务和生成任务上都表现出色，同时在模型规模扩大时，性能会相应提升。

Manzano的主要功能

• 图像理解：模型能理解图像内容，回答与图像相关的问题。
• 图像生成：根据文本提示生成高质量的图像。模型支持复杂的文本指令，能生成具有创意和细节的图像。
• 图像编辑：支持基于文本指令的图像编辑，包括风格转换、局部修改、内容扩展等。
• 多模态交互：结合文本和图像信息，支持复杂的多模态任务，如图文混合的问答和创作。

Manzano的技术原理

• 混合视觉分词器（Hybrid Vision Tokenizer）：
  • 连续嵌入：用在图像理解任务，将图像编码为连续的嵌入向量，保留丰富的语义信息。
  • 离散标记：用在图像生成任务，将图像编码为离散的标记，便于自回归生成。
• 自回归LLM解码器（Autoregressive LLM Decoder）：统一处理文本和图像标记，预测下一个标记（无论是文本还是图像）。模型支持多模态任务的联合学习，能同时处理理解任务和生成任务。
• 扩散解码器（Diffusion Decoder）：将生成的离散图像标记转化为像素级别的图像。用扩散模型的强大生成能力，确保生成图像的高质量和细节。
• 统一训练框架（Unified Training Framework）：在大规模文本和图像数据上进行预训练，学习通用的语言和视觉表示。模型在高质量的数据子集上进一步训练，提升模型性能。在特定任务的数据上进行微调，增强模型在具体任务上的表现。

Manzano的项目地址

• arXiv技术论文：https://arxiv.org/pdf/2509.16197

Manzano的应用场景

• 图像理解：用在视觉问答（VQA）任务，帮助医生快速准确地理解图像内容、回答相关问题，辅助诊断。
• 图像生成：在创意设计领域，根据设计师提供的文本描述生成高质量的图像，为广告设计、游戏美术等提供灵感和素材。
• 图像编辑：对于内容创作者，模型基于文本指令对图像进行编辑，如风格转换、局部修改等，快速实现创意效果。
• 文档理解：在文档处理场景中，模型能理解文档中的图像内容，辅助进行文档内容的提取、分析和问答，提高办公
• 多模态交互：在智能教育场景中，结合文本和图像信息，为学生提供更直观、生动的学习体验，例如通过图像解释复杂的科学概念。