58k+ star! RAGFlow 集成 Qwen3 Embedding，轻松处理复杂格式数据；Webclick 解锁网页理解新维度

本文链接：https://blog.csdn.net/HyperAI/article/details/149021802

2020 年 Meta 提出的 RAG（检索增强生成）框架有效提升了 LLM 输出的准确性和可靠性，该技术从最初的简单检索+生成，已经发展到具备多轮推理、工具使用、上下文记忆等 Agent 特征的高级形态。当前大多数 RAG 引擎在文档解析方面相对简单，且依赖于现成的检索中间件，检索精度较差。

基于此，InfiniFlow 开源了 RAGFlow，这是一个基于深度文档理解的开源 RAG 引擎。其不仅解决了上述难点，还提供了预构建的 RAG 工作流程，使用者只需按流程逐步操作，就能快速搭建起 RAG 系统。与 Qwen3 Embedding 集成后，能够实现一站式构建本地知识库、智能问答系统和 Agent 。

目前，HyperAI 超神经官网已上线了「构建 RAG 系统：基于 Qwen3 Embedding 的实践」教程，快来试试吧~

构建 RAG 系统：基于 Qwen3 Embedding 的实践

在线使用：构建 RAG 系统：基于 Qwen3 Embedding 的实践 | 教程 | HyperAI超神经

6 月 23 日-6 月 27 日，hyper.ai 官网更新速览：

* 优质公共数据集：10 个

* 优质教程精选：6 个

* 本周论文推荐: 5 篇

* 社区文章解读：3 篇

* 热门百科词条：5 条

* 7 月截稿顶会：5 个

访问官网：hyper.ai

公共数据集精选

1. Sekai 世界视频数据集

Sekai 是一个高质量第一人称视角全球视频数据集，旨在为视频生成和世界探索领域激发有价值的应用。该数据集专注于以自我为中心的世界探索，由 Sekai-Real 和 Sekai-Game 两部分组成，包含来自 100 多个国家和地区、 750 个城市的超过 5,000 小时的步行或无人机视角视频。

直接使用：Sekai 世界视频数据集 | 数据集 | HyperAI超神经

数据集概览

2. Ecomapper 卫星图像数据集

该数据集包含超过 290 万张卫星图像，包括 RGB 影像以及特定的多光谱通道数据。数据图像均来自哥白尼哨兵卫星任务，涵盖多种土地覆盖类型和多个时间点，训练集有 98,930 个不同地理位置，测试集包含 5,494 个位置。每张图像的每个时间戳都配有相关的天气元数据，如温度、太阳辐射和降水信息。

直接使用：Ecomapper 卫星图像数据集 | 数据集 | HyperAI超神经

数据集示例

3. NuScenes 自动驾驶数据集

NuScenes 是一个用于自动驾驶的公开数据集，包含来自波士顿和新加坡约 140 万张摄像头图像、 39 万张激光雷达扫描图像、 140 万张雷达扫描图像以及 4 万个关键帧中的 140 万个物体边界框。

直接使用：NuScenes 自动驾驶数据集 | 数据集 | HyperAI超神经

4. Tahoe-100M 单细胞数据集

Tahoe‑100M 是全球最大的单细胞数据集，旨在为具备干预理解能力的大语言模型（LLM）提供真实且结构化的实验数据基础。该数据集包含超过 1 亿个细胞，覆盖超过 6 万次分子干预实验，映射了 50 种癌症模型对 1,100 多种药物治疗的反应。

直接使用：Tahoe-100M 单细胞数据集 | 数据集 | HyperAI超神经

5. WebClick 网页理解基准数据集

WebClick 是一个高质量的网页理解基准数据集，用于评估多模态模型和智能体理解网页界面、解读用户指令以及在数字环境中采取精准行动的能力。该数据集包含来自 100 多个网站的 1,639 张英文网页截图，这些截图配有精确标注的自然语言指令和像素级点击目标。

直接使用：WebClick 网页理解基准数据集 | 数据集 | HyperAI超神经

6. DeepResearch Bench 深度研究基准数据集

DeepResearch Bench 是一个深度研究代理基准数据集，旨在揭示人类在不同领域的深度研究需求的真实分布。该数据集包含 100 个博士级研究任务，每个任务均由 22 个不同领域的专家精心打造。

直接使用：DeepResearch Bench 深度研究基准数据集 | 数据集 | HyperAI超神经

7. SA-Text 图像文本数据集

SA-Text 是一个高质量场景图像的大规模基准数据集，专为文本感知图像恢复任务设计。该数据集包含 105,330 张高分辨率场景图像，并配有多边形级别的文本标注，能够准确地描述文本在图像中的位置和形状，使模型能够更好地理解文本在图像中的位置和结构。

直接使用：SA-Text 图像文本数据集 | 数据集 | HyperAI超神经

8. OCRBench 文本识别基准数据集

该数据集包含 1,000 个手动筛选和校正的问答对，这些问答对来自 5 项具有代表性的文本相关任务：文本识别、场景文本中心、文档导向、关键信息和手写数学表达式。

直接使用：OCRBench 文本识别基准数据集 | 数据集 | HyperAI超神经

9. Parse-PBMC 单细胞 RNA 测序数据集

Parse-PBMC 是一个开源的单细胞 RNA 测序数据集。该数据集是在一次实验中对 1,152 个样本中的 1 千万个细胞进行分析，主要用于研究人类外周血单个核细胞在不同条件下的基因表达特征。

直接使用：Parse-PBMC 单细胞 RNA 测序数据集 | 数据集 | HyperAI超神经

10. VIRESET 视频实例编辑数据集

VIRESET 旨在为视频实例重绘、时序分割等任务提供精确的标注支撑。该数据集包含 2 个内容，SA-V 增强掩码标注和 86k 个视频片段。

直接使用：VIRESET 视频实例编辑数据集 | 数据集 | HyperAI超神经

公共教程精选

本周汇总了 2 类优质公共教程:

*大模型部署教程：3 个

*视频生成教程：3 个

大模型部署教程

1. 构建 RAG 系统：基于 Qwen3 Embedding 的实践

RAGFlow 是一个基于深度文档理解的开源 RAG（检索增强生成）引擎。与 LLM 集成后，它能够提供真实的问答功能，并以来自各种复杂格式数据的可靠引用为支撑。

在线运行：构建 RAG 系统：基于 Qwen3 Embedding 的实践 | 教程 | HyperAI超神经

2. vLLM+Open WebUI 部署 QwenLong-L1-32B

QwenLong-L1-32B 是首个基于强化学习训练的长文本推理大模型，专注于解决传统大模型在处理超长上下文（如 12 万 token）时出现的记忆力差，逻辑混乱等问题，突破了传统大模型的上下文限制，为金融、法律等高精度场景提供了低成本、高性能的解决方案。

在线运行：vLLM+Open WebUI 部署 QwenLong-L1-32B | 教程 | HyperAI超神经

3. vLLM+Open WebUI 部署 Magistral-Small-2506

Magistral-Small-2506 基于 Mistral Small 3.1（2503）构建，增加了推理能力，通过 Magistral Medium 跟踪进行 SFT 并在顶部进行强化学习。它是一个参数量为 24B 的小型高效推理模型，能够在提供答案之前进行长链推理追踪，以更深入地理解和处理复杂问题，从而提高回答的准确性和合理性。

在线运行：vLLM+Open WebUI 部署 Magistral-Small-2506 | 教程 | HyperAI超神经

视频生成教程

1. MAGI-1：全球首个自回归视频生成大模型

Magi-1 是全球首个自回归视频生成大模型，通过自回归预测一系列视频块来生成视频，定义为连续帧的固定长度片段。它在以文本指令为条件的图像到视频任务上实现了强大的性能，提供了高度的时间一致性和可扩展性。

在线运行：MAGI-1：全球首个自回归视频生成大模型 | 教程 | HyperAI超神经

2. FramePackLoop：开源无缝循环视频生成工具

FramePackLoop 是一个自动化帧序列处理与循环生成工具，旨在简化视频制作工作流程。该工具利用模块化架构实现帧序列打包、时间对齐和无缝循环合成。具体而言，它将光流估计与基于注意力的时间建模相结合，以保持帧间运动的连贯性。

在线运行：FramePackLoop：开源无缝循环视频生成工具 | 教程 | HyperAI超神经

3. VIRES：草图与文本双引导的视频重绘

VIRES 一种结合草图与文本引导的视频实例重绘方法，支持对视频主体的重绘、替换、生成与移除等多种编辑操作。该方法利用文本生成视频模型的先验知识，确保时间上的一致性。实验结果表明，VIRES 在视频质量、时间一致性、条件对齐和用户评分等多方面均是优异表现。

在线运行：VIRES：草图与文本双引导的视频重绘 | 教程 | HyperAI超神经

Demo 示例

💡我们还建立了 Stable Diffusion 教程交流群，欢迎小伙伴们扫码备注【SD 教程】，入群探讨各类技术问题、分享应用效果~

本周论文推荐

1. Drag-and-Drop LLMs: Zero-Shot Prompt-to-Weights

本文引入了拖放式大型语言模型（DnD），这是一种基于提示的参数生成器，通过直接将少量未标记的任务提示映射到 LoRA 权重更新来消除每任务训练的需求。一个轻量级的文本编码器将每个提示批次提炼为条件嵌入，然后由级联超卷积解码器将其转换为完整的 LoRA 矩阵集合。

论文链接：拖放式LLM：零样本提示到权重 | 最新论文 | HyperAI超神经

2. Light of Normals: Unified Feature Representation for Universal Photometric Stereo

本文提出了一种新型的通用照相立体（Universal Photometric Stereo，UniPS）方法，旨在解决在任意光照条件下恢复高精度表面法线的问题。实验结果表明，与现有最先进的通用照相立体方法相比， LINO-UniPS 在公共基准上的性能更优，并且显示出强大的泛化能力，能有效应对不同材料属性和光照场景。

论文链接：法线之光：通用光度立体的统一特征表示 | 最新论文 | HyperAI超神经

3. Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding

本文提出了一种新颖的多模态文档分块方法，该方法利用大型多模态模型（LMMs）批量处理 PDF 文档，同时保持语义连贯性和结构完整性。该方法以可配置的页面批次对文档进行处理，并保留跨批次的上下文信息，从而能够准确处理跨越多个页面的表格、嵌入的视觉元素和程序性内容。

论文链接：视觉引导的分块是你所需要的：增强RAG的多模态文档理解 | 最新论文 | HyperAI超神经

4. OmniGen2: Exploration to Advanced Multimodal Generation

本文介绍了 OmniGen2，这是一款多功能且开源的生成模型，旨在为多种生成任务提供统一的解决方案，包括文本到图像生成、图像编辑和上下文生成。与 OmniGen v1 不同，OmniGen2 为文本和图像模态设计了两条独立的解码路径，采用了非共享参数和分离的图像分词器。这一设计使得 OmniGen2 能够在现有的多模态理解模型基础上进行构建，而无需重新适应 VAE 输入，从而保留了原有的文本生成能力。

论文链接：OmniGen2：探索高级多模态生成 | 最新论文 | HyperAI超神经

5. PAROAttention: Pattern-Aware ReOrdering for Efficient Sparse and Quantized Attention in Visual Generation Models

本文提出了一种新的模式感知标记重排序（PARO）技术，该技术将多样化的注意力模式统一为硬件友好的块状模式。这种统一显著简化并增强了稀疏化和量化的效果。该方法中 PAROAttention 在几乎不损失指标的情况下实现了视频和图像生成，并且在显著降低密度和位宽的情况下，达到了与全精度基线几乎相同的结果，实现了 1.9 倍到 2.7 倍的端到端延迟加速。

论文链接：PAROAttention：面向模式的重排序以提高视觉生成模型中稀疏和量化注意力机制的效率 | 最新论文 | HyperAI超神经

更多 AI 前沿论文：最新论文 | HyperAI超神经