Phidata项目v1.1.13版本发布:增强AI工具链与模型支持
Phidata是一个专注于构建AI应用开发工具链的开源项目,它提供了与多种AI模型和服务的集成能力,帮助开发者更高效地构建和部署AI应用。本次发布的v1.1.13版本带来了多项重要改进和功能增强,特别是在AI模型工具支持和结构化输出方面有了显著提升。
核心功能增强
OpenAI文件搜索功能集成
新版本增加了对OpenAI内置"File Search"功能的支持。这项功能允许开发者直接将文件对象附加到代理提示中,系统会自动上传这些文件。这一改进使得开发者能够更方便地构建需要处理文档内容的AI应用场景,比如文档问答系统或知识检索应用。
引用提取功能强化
在Web搜索和文档处理方面,新版本做了两处重要改进:
-
OpenAI Web引用提取:现在可以自动从OpenAI的"Web Search"工具使用后提取URL引用,这对于构建需要验证信息来源或提供参考链接的应用非常有用。
-
Anthropic文档引用:当Claude模型处理附加文件时,现在能够提取文档引用信息。这使得基于文档的问答系统能够更准确地指出答案来源。
Cohere Command A模型支持
新版本加入了对Cohere最新旗舰模型Command A的支持。Command A是Cohere推出的高性能语言模型,在多种NLP任务上表现出色。这一集成扩展了Phidata项目的模型选择范围,为开发者提供了更多选项。
技术问题修复
Ollama工具参数处理
修复了Ollama工具在处理无类型参数时的问题。这一改进使得与Ollama模型的交互更加稳定,特别是在使用自定义工具时。
Anthropic结构化输出优化
解决了Anthropic及通过Azure使用Anthropic时结构化输出的问题。新版本不仅修复了某些情况下结构化输出失效的问题,还增强了对Pydantic模型中枚举类型的支持。这一改进使得在不原生支持结构化输出的模型上也能获得更好的开发体验。
Google Maps Places API适配
随着Google对Places API支持的变更,新版本进行了相应调整,确保"搜索地点"功能能够继续正常工作。这对于构建基于位置服务的应用至关重要。
开发者体验提升
本次更新还包含了一些开发者体验的改进,比如工作区设置的更新和测试流程的优化。这些改进虽然不直接影响功能,但能帮助开发者更高效地使用Phidata构建AI应用。
总的来说,Phidata v1.1.13版本在AI模型支持、工具链集成和开发者体验方面都做出了重要改进,进一步巩固了其作为AI应用开发工具链的地位。这些更新使得开发者能够更轻松地构建复杂的AI应用,特别是在需要处理文档、结构化输出和多种AI模型集成的场景下。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00