Python-GenAI 1.20.0版本发布:视频处理与RAG增强
Google的Python-GenAI项目是一个专注于生成式人工智能的Python SDK,它为开发者提供了便捷的接口来访问Google的各种AI模型和服务。该项目持续迭代更新,不断引入新功能和优化现有能力。
视频处理能力全面升级
本次1.20.0版本最引人注目的改进是对视频处理能力的增强。新增了Veo帧插值和视频扩展功能,这为视频内容创作和处理提供了强大的AI支持。帧插值技术可以在现有视频帧之间生成中间帧,使视频播放更加流畅;而视频扩展则能够智能地扩展视频内容,为创意工作者提供更多可能性。
为了方便开发者使用视频功能,SDK新增了Video.from_file()方法,简化了视频文件的加载过程。开发者现在可以更轻松地将本地视频文件集成到AI处理流程中,而不必担心复杂的文件处理细节。
RAG技术增强与上下文存储
检索增强生成(RAG)技术在本版本中得到了重要改进。Gemini Live API现在支持上下文存储功能,这意味着系统能够记住之前的交互内容,为后续对话提供更连贯、更相关的响应。这种上下文感知能力显著提升了聊天机器人和对话系统的用户体验。
异步性能优化
性能方面,1.20.0版本引入了aiohttp作为异步API的可选后端。当环境中安装了aiohttp时,SDK会自动使用它以获得更低的延迟;否则会回退到默认的httpx实现。这种灵活的架构设计既保证了性能优化,又确保了兼容性。
功能调用改进
在函数调用方面,修复了异步函数调用(AFC)的问题,现在后续的函数调用能够正确地保持异步特性。同时放松了对聊天轮次的限制,使对话流程更加灵活自然。
搜索功能增强
对于使用Vertex AI搜索的开发者,新版本增加了datastore_spec字段的支持,这为数据存储配置提供了更细粒度的控制能力,使搜索功能可以更好地适应不同的业务场景需求。
Python-GenAI 1.20.0版本的这些改进,特别是视频处理能力的增强和RAG技术的提升,为开发者构建更智能、更强大的AI应用提供了有力支持。无论是处理多媒体内容还是构建复杂的对话系统,这个版本都带来了显著的便利性和性能提升。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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