हाल ही में, दुनिया के सबसे बड़े आर्टिफिशियल इंटेलिजेंस ओपन-सोर्स समुदाय Huggingface ने नवीनतम ओपन-सोर्स बड़े मॉडल रैंकिंग (Open LLM Leaderboard) जारी की, जिसमें शीर्ष दस ओपन-सोर्स बड़े मॉडल सभी अली के टोंग यि कियान वेन (Qwen) ओपन मॉडल पर आधारित पुनः प्रशिक्षण नमूनों से विकसित किए गए हैं। यह उपलब्धि Qwen की ओपन-सोर्स एआई क्षेत्र में प्रभुत्व को दर्शाती है और वैश्विक स्तर पर इसके प्रभाव को और बढ़ाती है। Open LLM Leaderboard को व्यापक रूप से

ZyphraAI ने हाल ही में अपने नवीनतम बहु-भाषाई पाठ से आवाज़ में बदलने वाली (TTS) मॉडल **Zonos-TTS** की घोषणा की है, जो **Apache2.0 लाइसेंस** के तहत पूरी तरह से ओपन-सोर्स और व्यावसायिक उपयोग के लिए उपलब्ध है। Zonos-TTS न केवल वास्तविक समय की आवाज़ क्लोनिंग कार्यक्षमता का समर्थन करता है, बल्कि 200,000 घंटे के अंग्रेजी आवाज़ डेटा के प्रशिक्षण के माध्यम से उत्कृष्ट प्रदर्शन प्रदर्शित करता है। Zonos-TTS दो प्रकार के तैनाती मोड प्रदान करता है: स्थानीय तैनाती का समर्थन करता है और सुविधाजनक API सेवाएँ प्रदान करता है। सामान्य उपयोगकर्ताओं के लिए, Zyphr

ज़्हिपु AI के तहत GLM-PC आधारभूत मॉडल कॉगएजेंट-9B अब ओपन-सोर्स हो गया है, ताकि बड़े मॉडल एजेंट पारिस्थितिकी तंत्र के विकास को बढ़ावा दिया जा सके। कॉगएजेंट-9B GLM-4V-9B के प्रशिक्षण पर आधारित एक विशेष एजेंट टास्क मॉडल है, जो केवल स्क्रीनशॉट को इनपुट के रूप में लेकर, उपयोगकर्ता द्वारा निर्दिष्ट किसी भी कार्य के साथ-साथ ऐतिहासिक क्रियाओं के आधार पर, अगली GUI क्रिया की भविष्यवाणी कर सकता है। यह मॉडल इसकी सार्वभौमिकता के कारण व्यक्तिगत कंप्यूटर, मोबाइल फोन, कार उपकरण आदि जैसे विभिन्न GUI इंटरएक्शन आधारित परिदृश्यों में व्यापक रूप से उपयोग किया जा सकता है।

कृत्रिम बुद्धिमत्ता के तेजी से विकास के साथ, दृश्य और भाषा क्षमताओं का एकीकरण दृश्य भाषा मॉडलों (VLMs) में महत्वपूर्ण प्रगति का कारण बना है। ये मॉडल दृश्य और पाठ डेटा को एक साथ संसाधित और समझने के लिए डिज़ाइन किए गए हैं, और छवि विवरण, दृश्य प्रश्नोत्तर, ऑप्टिकल कैरेक्टर पहचान और मल्टी-मोडल सामग्री विश्लेषण जैसे क्षेत्रों में व्यापक रूप से उपयोग किए जाते हैं। VLMs स्वतंत्र प्रणालियों के विकास, मानव-मशीन इंटरैक्शन को बढ़ावा देने और कुशल दस्तावेज़ प्रसंस्करण उपकरणों में महत्वपूर्ण भूमिका निभाते हैं, और सफलतापूर्वक इन दो डेटा मोड के बीच की खाई को पाटते हैं। हालाँकि, उच्च-रिज़ॉल्यूशन दृश्य डेटा और विविध पाठ इनपुट के प्रसंस्करण में