最近，阿里巴巴的 AI 研究团队在文档理解领域取得了令人瞩目的进展，他们推出了 mPLUG-DocOwl1.5，这是一款在无OCR（光学字符识别）文档理解任务上表现卓越的尖端模型。过去，处理文档理解任务时，我们通常依赖 OCR 技术来从图像中提取文本，但这往往会受到复杂布局和视觉噪声的困扰。而 mPLUG-DocOwl1.5则通过一种全新的统一结构学习框架，直接从图像中学习理解文档，巧妙地避开了这一瓶颈。该模型通过分析文档在不同领域的布局和组织能力，涵盖了普通文档、表格、图表、网页和自然

阿里巴巴达摩院与中国人民大学近日联合开源了一款名为 mPLUG-DocOwl1.5的文档处理模型，该模型主打无需 OCR 识别即可理解文档内容，并在多个视觉文档理解基准测试中取得了领先的性能。结构信息对于理解富文本图像（例如文档、表格和图表）的语义至关重要。 现有的多模态大型语言模型 (MLLM) 虽然具备文本识别能力，但缺乏对富文本文档图像的通用结构理解能力。为了解决这一问题，mPLUG-DocOwl1.5强调结构信息在视觉文档理解中的重要性，并提出了 “统一结构学习” 来提升 MLLM 的性能。

最近，科研团队联合推出了一款名为 Meissonic 的开源 AI 图像生成模型。惊喜的是，这款模型仅使用了十亿个参数，却能生成高质量的图像。这种紧凑的设计让 Meissonic 有潜力在移动设备上实现本地化的文本转图像应用。这项技术的背后，研发团队包括阿里巴巴、Skywork AI 以及多所大学的研究者。他们采用了一种独特的变换器架构和新颖的训练方法，使得 Meissonic 能够在普通游戏 PC 上运行，甚至未来可能在手机上使用。Meissonic 的训练方法采用了一种被称为 “遮蔽图像建模” 的技术，简单来说

在科技浪潮席卷全球之际，生成式AI无疑成为了焦点。然而，阿里巴巴的吴泳铭却提出了一个更为深远的洞见:生成式AI的真正价值并非仅限于创造炫目的应用，而是在于彻底改变我们与物理世界的互动方式。吴泳铭敏锐地指出，人们在面对新技术革命时往往陷入"高估短期，低估长期"的思维误区。在当前生成式AI的热潮中，这种现象尤为明显。大众普遍关注短期内AI能带来哪些立竿见影的效果，却容易忽视技术在长远未来可能产生的深刻影响。图源备注：图片由AI生成，图片授权服务商Midjour

阿里巴巴集团旗下的通义宣布，其最新研发的AI视频生成大模型——通义万相AI生视频，已正式上线。该技术凭借其强大的画面视觉动态生成能力，能够根据文本提示词快速生成具有多种艺术风格和影视级质感的视频内容。

在阿里巴巴成立25周年之际，公司创始人马云在内部网站上发表了感人肺腑的讲话。马云强调，阿里巴巴之所以能够成为今天的阿里巴巴，是因为它始终坚持理想主义精神，相信市场的力量和创新的价值，并坚信只有为社会创造真正价值的公司才能长久生存。

阿里巴巴云计算部门发布全新AI模型Qwen2-VL，具备理解视觉内容的强大功能，能实时分析长达20分钟的视频，并总结视频内容、回答相关问题，提供在线聊天支持。在第三方基准测试中，Qwen2-VL部分指标超越了包括Meta的Llama3.1、OpenAI的GPT-4o、Anthropic的Claude3Haiku和Google的Gemini-1.5Flash在内的领先模型。支持英语、中文及多种欧洲、亚洲语言，适配全球用户。模型提供三个参数版本，7B和2B版本在Apache2.0许可证下开源，允许商业使用。Qwen2-VL还引入了Naive Dynamic Resolution和Multimodal Rotary Position Embedding技术，提升模型在不同分辨率图像处理和跨模态信息整合的能力。该模型旨在提升对视觉数据的理解和处理能力，是视觉语言模型技术的突破，阿里巴巴将继续探索其更多应用场景。

​阿里巴巴达摩院的通义千问团队在2024年8月30日宣布了其最新成果——Qwen2-VL模型的重大更新。Qwen2-VL模型在图像理解、视频处理和多语言支持方面均实现了显著提升，为关键性能指标设定了新的基准。

阿里巴巴集团近日公布了2025财年第一季度的业绩报告，其中阿里云表现尤为突出。财报显示，阿里云营收同比增长6%，达到265.49亿元，AI相关产品收入实现了三位数的增长，公共云业务也实现了两位数的增长。经调整EBITA利润同比增长155%，达到23.37亿元。

阿里巴巴集团的研究团队发布了一种名为 UniPortrait 的全新框架，专注于实现人像图像的个性化处理，包括单角色一致性、多角色一致性和风格参考。UniPortrait 特别设计了 ID 嵌入和 ID 路由两个模块，能够保持面部特征的高度逼真，支持广泛的面部编辑功能，甚至允许用户使用自由形式的文本描述生成图像，无需固定布局。通过两阶段的训练方案，UniPortrait 在单一和多重身份的定制上表现出色，实验结果显示其良好的可扩展性，能够与现有生成控制工具兼容。此框架为人像图像的个性化定制提供了新可能性，特别是在自由文本提示和多样化布局生成方面，展现了在实际应用中的巨大潜力。

阿里巴巴近期发布了全新开源语音模型Qwen2-Audio，这款模型在语音识别、翻译和音频分析方面表现出色，实现了显著性能提升。Qwen2-Audio提供基础版和指令微调版，支持多种语言，如中文、粤语、法语、英语和日语，为情感分析和翻译应用提供了便利。相较于Qwen-Audio，Qwen2-Audio在架构和性能上进行了全面优化，预训练阶段采用更自然的语言提示，提升理解和泛化能力。指令跟随能力增强，能更准确理解用户指令。模型引入语音聊天和音频分析模式，输出符合人类期望。在性能测试中，Qwen2-Audio超越OpenAI的Whisper-large-v3，在语音识别和翻译准确性上表现出强劲竞争力。

近日，阿里巴巴推出了一款名为DS Assistant的AI数据科学助手，它能够自动化地完成从数据探索到模型评估的全流程，让数据科学工作变得更加简单、高效。

阿里巴巴国际数字商业集团即将推出全新B2B AI采购搜索引擎，计划于9月首次亮相。该引擎旨在重塑全球贸易中的用户体验，通过以下关键功能优化B2B电商流程： 1. **智能整合全网信息**：该引擎能智能整合全网数据，包括B2C消费趋势和垂直行业动态，为采购者提供更精准、可靠的生意灵感，相比传统方法，减少了浏览大量网页的步骤。 2. **主动理解用户需求**：通过自然语言处理技术，引擎能理解用户的搜索需求，主动推荐专业搜索建议，提高匹配度，减少用户筛选供应商的时间。 3. **提供智能采购决策支持**：对供应商进行多维度比较和总结，使买家能够高效决策，同时利用平台积累的供应链数据，通过AI实现更智能、更便捷的采购体验，促进全球贸易的普惠参与。 这一创新旨在提升B2B采购效率，优化用户体验，推动全球贸易的数字化转型。

阿里巴巴国际站总裁张阔在巴黎发布B2B AI采购搜索引擎，同时展示了AI生意助手的最新升级。升级包括极简发品功能，能将商家发布商品的时间缩短至60秒，以及AI自动接待功能，全天候及时回复海外客户，提升二次回复率约40%。AI技术显著降低了外贸行业门槛，目前超过3万家中小企业使用AI生意助手，优化后的商品曝光量提高37%，支付转化率提升50%。AI生意助手提供三大权益更新，包括免费的文本类AI生成能力及免费的不满意功能二次生成。未来，AI生意助手将增加更多功能，如上传链接自动发品、全球市场智能选品和店铺一键装修。

阿里巴巴国际数字商业集团最近宣布，他们正在开发一款创新的人工智能对话式采购引擎，旨在革新B2B电子商务的采购体验。这款引擎计划在今年9月首次与公众见面，它将专注于为中小企业提供服务，帮助它们在全球范围内优化采购流程，使其更加直观和高效率。

["阿里巴巴通义实验室发布了一款AI动画项目Animate Anyone","只需要一张人物静态图片结合人物的骨骼动画，就能生成一段人物动画视频","全网开始流行跳“铁山靠”的小猫咪"]

["阿里巴巴集团董事长蔡崇信表示，公司将聚焦电商和云服务。","电商是最丰富的AI应用场景，阿里正加大对相关技术的投资。","蔡崇信认为创始人成为重要股东，展示了对公司的信心，是重要信号。","强有力的管理团队对公司发展至关重要，能为员工注入新信心。"]

["阿里通义实验室开源 AI 图像生成微调框架 SCEdit","SCEdit 框架支持图像生成任务的微调","SCEdit 框架在生成任务中具有高效性能","SCEdit 框架在可控生成任务中实现精准控制","SCEdit 框架节省训练显存开销"]

["阿里巴巴夸克大模型通过备案，将推出一系列 AIGC 应用。","夸克大模型将在通识、健康、创作等领域升级内容产品与智能工具。","阿里巴巴智能信息事业群发布的全栈自研夸克大模型已通过备案。","夸克大模型将提升用户在学习、工作、生活上的效率。","阿里巴巴将继续依托大模型能力，为用户提供更优质、高效的服务。"]

["阿里巴巴智能计算研究所推出Animate Anyone技术，能将静态图像转为高度逼真动态视频。","技术改进图像到视频系统，解决幻觉问题，但在眼睛和手部动作处理上仍存在挑战。","虽技术进步，但引发滥用担忧，可用个人照片制作虚假视频，可能导致虚假信息传播。","团队将代码积极准备演示和公开使用，但担心信息混乱风险随虚假视频数量增加。","互联网是否迎来“舞蹈伪造”的狂潮成未来关注焦点，技术应用或引发更多社会问题。"]