即刻App年轻人的同好社区
下载
DeepSeek 这还没到过年就开始发力了！
发布了升级后的 OCR 2 模型，主要优化是加入模拟人类视觉的“因果推理”机制
将原来的 Clip 模型替换为 LLM 架构模型，用的 Qwen 0.5B
看看这两代模型都做了什么👇
======
从视觉压缩到因果推理
OCR 1 证明了一件事：视觉可以作为文本的高效压缩形式。
"一张图胜过千言万语"不只是比喻。他们的实验显示，10 个文本 token 压缩成 1 个视觉 token 时，OCR 精度能达到 97%。甚至 20 倍压缩比下还能保留 60% 的精度。
这解决了 LLM 处理长文本计算量大的问题，用视觉模态节省 Token。
------
OCR 2 要解决的是更本质的问题：阅读顺序。
传统的 Vision Encoder 都是固定的光栅扫描，从左到右，从上到下。但人类看图不是这样的，你会根据内容的语义逻辑跳着看。
复杂排版的文档、表格、公式，空间位置顺序和逻辑阅读顺序根本不一样。OCR 2 就是要让编码器学会这种"因果推理"能力。
======
架构升级：用 LLM 替换 CLIP
这是两代模型最大的区别。
OCR 1 的编码器是 SAM + CLIP 串联结构。SAM 负责视觉感知（窗口注意力），CLIP 负责视觉知识（全局注意力）。
OCR 2 把 CLIP 换成了一个紧凑的 LLM（Qwen2 0.5B）。
为什么要这么做？因为 LLM 架构天然具备"因果推理能力"。
------
注意力机制的巧妙设计
OCR 2 用了混合注意力机制：
▸ 视觉 Token 之间：双向注意力（类似 ViT），保持全局视野
▸ 新增的查询 Token（Query）：因果注意力（类似 LLM 解码器）
这些 Query 的数量和视觉 Token 一样多，它们的作用是对视觉信息进行语义重排序。
通过定制的注意力掩码，Query 采用三角形掩码，能基于之前的上下文逐步"推理"出下一个视觉信息的重点。就像你看文档时，会先扫标题，再看关键段落，最后才看细节。
======
级联因果推理：两步走
OCR 2 的推理过程是级联的：
第一步，编码器通过 Causal Query 对视觉信息进行逻辑重排序。
第二步，解码器（DeepSeek-3B-MoE）再进行文本生成。
这种设计显著提升了文档的阅读顺序准确性。在 OmniDocBench 测试中，阅读顺序编辑距离从 0.085 降到 0.057。
------
实际应用中的稳定性也更好。
生产环境的数据清洗任务中，OCR 2 的重复率从 6.25% 降到 4.17%。生成的文本更稳定可靠，不会出现那么多胡言乱语。
======
保持高压缩率，提升信息密度
OCR 2 继承了 OCR 1 的高压缩特性。
视觉 Token 数量限制在 256 到 1120 之间（和 Gemini-3 Pro 的预算一致），既保证效率，又通过因果重排序提升了信息密度。
在相同或更少的 Token 预算下，OCR 2 在 OmniDocBench 上的整体性能比 OCR 1 提升了 3.73%。
------
模型下载：huggingface.co
论文阅读：github.com
发布了升级后的 OCR 2 模型，主要优化是加入模拟人类视觉的“因果推理”机制
将原来的 Clip 模型替换为 LLM 架构模型，用的 Qwen 0.5B
看看这两代模型都做了什么👇
======
从视觉压缩到因果推理
OCR 1 证明了一件事：视觉可以作为文本的高效压缩形式。
"一张图胜过千言万语"不只是比喻。他们的实验显示，10 个文本 token 压缩成 1 个视觉 token 时，OCR 精度能达到 97%。甚至 20 倍压缩比下还能保留 60% 的精度。
这解决了 LLM 处理长文本计算量大的问题，用视觉模态节省 Token。
------
OCR 2 要解决的是更本质的问题：阅读顺序。
传统的 Vision Encoder 都是固定的光栅扫描，从左到右，从上到下。但人类看图不是这样的，你会根据内容的语义逻辑跳着看。
复杂排版的文档、表格、公式，空间位置顺序和逻辑阅读顺序根本不一样。OCR 2 就是要让编码器学会这种"因果推理"能力。
======
架构升级：用 LLM 替换 CLIP
这是两代模型最大的区别。
OCR 1 的编码器是 SAM + CLIP 串联结构。SAM 负责视觉感知（窗口注意力），CLIP 负责视觉知识（全局注意力）。
OCR 2 把 CLIP 换成了一个紧凑的 LLM（Qwen2 0.5B）。
为什么要这么做？因为 LLM 架构天然具备"因果推理能力"。
------
注意力机制的巧妙设计
OCR 2 用了混合注意力机制：
▸ 视觉 Token 之间：双向注意力（类似 ViT），保持全局视野
▸ 新增的查询 Token（Query）：因果注意力（类似 LLM 解码器）
这些 Query 的数量和视觉 Token 一样多，它们的作用是对视觉信息进行语义重排序。
通过定制的注意力掩码，Query 采用三角形掩码，能基于之前的上下文逐步"推理"出下一个视觉信息的重点。就像你看文档时，会先扫标题，再看关键段落，最后才看细节。
======
级联因果推理：两步走
OCR 2 的推理过程是级联的：
第一步，编码器通过 Causal Query 对视觉信息进行逻辑重排序。
第二步，解码器（DeepSeek-3B-MoE）再进行文本生成。
这种设计显著提升了文档的阅读顺序准确性。在 OmniDocBench 测试中，阅读顺序编辑距离从 0.085 降到 0.057。
------
实际应用中的稳定性也更好。
生产环境的数据清洗任务中，OCR 2 的重复率从 6.25% 降到 4.17%。生成的文本更稳定可靠，不会出现那么多胡言乱语。
======
保持高压缩率，提升信息密度
OCR 2 继承了 OCR 1 的高压缩特性。
视觉 Token 数量限制在 256 到 1120 之间（和 Gemini-3 Pro 的预算一致），既保证效率，又通过因果重排序提升了信息密度。
在相同或更少的 Token 预算下，OCR 2 在 OmniDocBench 上的整体性能比 OCR 1 提升了 3.73%。
------
模型下载：huggingface.co
论文阅读：github.com
20 24
Claude 上线了一批支持远程连接的 MCP 服务
现在在连接器部分多了个精选分类，估计是深度合作调整过的。
比如 Figma 画流程图，Gemma 生成 PPT，还有 Canva 和 GitHub 等
现在在连接器部分多了个精选分类，估计是深度合作调整过的。
比如 Figma 画流程图，Gemma 生成 PPT，还有 Canva 和 GitHub 等
8 20
Lenny's Newsletter 买的真是值啊，送会员居然还在上新
现在都有非常流行的网页构建工具 Framer 以及 Manus 会员了
还加了一些其他产品，可以看看有没有你需要的，我先把 Manus 领了
现在都有非常流行的网页构建工具 Framer 以及 Manus 会员了
还加了一些其他产品，可以看看有没有你需要的，我先把 Manus 领了
36 126
这哥们实现了一个类似 Clawdbot 的项目
不同的是用 Telegram 远程控制 Claude Code，这样确实更好一些
本身 Claude Code 问题比较少，也可以单独控制 Telegram 机器人的用户权限
以后应该会有更多类似项目
详情：github.com/hanxiao/claudecode-telegram
不同的是用 Telegram 远程控制 Claude Code，这样确实更好一些
本身 Claude Code 问题比较少，也可以单独控制 Telegram 机器人的用户权限
以后应该会有更多类似项目
详情：github.com/hanxiao/claudecode-telegram
00:10
21 65
Clawdbot 这东西做的糙的离谱啊
即使你 VPS 部署也会有风险，18789 端口暴露的网关完全没有身份验证
别人可以随意访问你的 API Key 和操作里面的浏览器
VPS 部署的时候建议启用 Cloudflare Tunnel ，反正是免费的
即使你 VPS 部署也会有风险，18789 端口暴露的网关完全没有身份验证
别人可以随意访问你的 API Key 和操作里面的浏览器
VPS 部署的时候建议启用 Cloudflare Tunnel ，反正是免费的
30 39
AWS 免费套餐跑 Clawdbot 的教程，这个可以
别在上面登录你的常用账号，我把视频流程转成文本了：
======
为什么是 Clawdbot
这个项目最酷的地方在于它的可扩展性。你可以通过技能和插件让 Claude 连接任何东西，而且社区已经做了很多现成的集成。
有人用 meta Ray-Ban 智能眼镜配合 Clawdbot，在超市里直接拍照问"这个商品在亚马逊多少钱"，如果便宜就自动加购物车。这种场景化的应用才是 AI 助手真正该有的样子。
------
AWS 部署流程
在 AWS 控制台搜索 EC2，点击橙色的 Launch Instance 按钮。实例命名随意，系统选 Ubuntu，实例类型搜"free"，选最大的免费档 8GB 内存那个。
不部署其他资源的话应该完全免费。技术上可以不创建 SSH 密钥，教程也不需要。点击 Launch Instance 就行。
实例创建好后，点进 Instance ID，右上角 Connect，然后右下角再 Connect，这会在浏览器里打开一个 SSH 终端连接到你的服务器。
------
一行命令安装
进入终端后，去 claud .bot 官网，复制那行安装命令，粘贴到终端回车。就这一条命令，整个设置不到两分钟。
实际安装过程会长一点。安装完成后直接进入引导流程。
------
配置和激活
需要同意风险声明，特别是如果你给它文件系统访问权限或者邮件、密钥之类的。选择 Quick Start，用 Anthropic Max 订阅，Token 粘贴方式设置。
它会让你在本地终端运行一条命令来获取 Token。然后选模型，Opus 4.5 最新版，这是最聪明的那个。
接下来可以关联渠道。Telegram 的话它会给你具体步骤。还能配置技能，比如 Homebrew、Node 包管理器 Bon 之类，这些可以先跳过。
内存、钩子这些都可以启用，然后就是 Hatch（孵化）。
------
给机器人身份
Hatch 环节是给机器人建立身份。你要告诉它叫什么名字、它的目的、还有其他你想要的信息。
比如"你是 Jinx，我是 AJ。AJ 是内容创作者和软件工程师。"保持简单就行，之后可以随时更新。它会用 Soul 系统构建自己的身份，然后继续引导流程。
会问你时区、希望什么样的交互氛围之类。基本上就完成了。
------
渠道配对和首个技能
每个渠道需要做配对。会生成一个配对码，给到你的实例就行。配置完成后就连上了。
我一般会先给它装 Exa MCP 技能。"创建一个技能，封装这个 MCP"这样说就行。Exa 技能包含网页搜索、高级搜索、深度搜索，都打包在一个 MCP 里。
通过 MCP 使用的话是免费的，不需要 API 密钥。这是第一个技能，之后可以加更多。
来源：X-techfrenAJ
别在上面登录你的常用账号，我把视频流程转成文本了：
======
为什么是 Clawdbot
这个项目最酷的地方在于它的可扩展性。你可以通过技能和插件让 Claude 连接任何东西，而且社区已经做了很多现成的集成。
有人用 meta Ray-Ban 智能眼镜配合 Clawdbot，在超市里直接拍照问"这个商品在亚马逊多少钱"，如果便宜就自动加购物车。这种场景化的应用才是 AI 助手真正该有的样子。
------
AWS 部署流程
在 AWS 控制台搜索 EC2，点击橙色的 Launch Instance 按钮。实例命名随意，系统选 Ubuntu，实例类型搜"free"，选最大的免费档 8GB 内存那个。
不部署其他资源的话应该完全免费。技术上可以不创建 SSH 密钥，教程也不需要。点击 Launch Instance 就行。
实例创建好后，点进 Instance ID，右上角 Connect，然后右下角再 Connect，这会在浏览器里打开一个 SSH 终端连接到你的服务器。
------
一行命令安装
进入终端后，去 claud .bot 官网，复制那行安装命令，粘贴到终端回车。就这一条命令，整个设置不到两分钟。
实际安装过程会长一点。安装完成后直接进入引导流程。
------
配置和激活
需要同意风险声明，特别是如果你给它文件系统访问权限或者邮件、密钥之类的。选择 Quick Start，用 Anthropic Max 订阅，Token 粘贴方式设置。
它会让你在本地终端运行一条命令来获取 Token。然后选模型，Opus 4.5 最新版，这是最聪明的那个。
接下来可以关联渠道。Telegram 的话它会给你具体步骤。还能配置技能，比如 Homebrew、Node 包管理器 Bon 之类，这些可以先跳过。
内存、钩子这些都可以启用，然后就是 Hatch（孵化）。
------
给机器人身份
Hatch 环节是给机器人建立身份。你要告诉它叫什么名字、它的目的、还有其他你想要的信息。
比如"你是 Jinx，我是 AJ。AJ 是内容创作者和软件工程师。"保持简单就行，之后可以随时更新。它会用 Soul 系统构建自己的身份，然后继续引导流程。
会问你时区、希望什么样的交互氛围之类。基本上就完成了。
------
渠道配对和首个技能
每个渠道需要做配对。会生成一个配对码，给到你的实例就行。配置完成后就连上了。
我一般会先给它装 Exa MCP 技能。"创建一个技能，封装这个 MCP"这样说就行。Exa 技能包含网页搜索、高级搜索、深度搜索，都打包在一个 MCP 里。
通过 MCP 使用的话是免费的，不需要 API 密钥。这是第一个技能，之后可以加更多。
来源：X-techfrenAJ
04:47
26 214
