🚀 انتشار راهنمای جامع Qwen برای Qwen3-VL!

شرکت Qwen (از گروه Alibaba) مجموعه‌ای از نوت‌بوک‌های تعاملی (Interactive Notebooks) را منتشر کرده که به‌صورت گام‌به‌گام توانایی‌های مدل چندوجهی Qwen3-VL را نمایش می‌دهد — چه در اجرای محلی (Local) و چه از طریق API.

📘 در این مجموعه، ده‌ها مثال واقعی همراه با تحلیل وجود دارد، از جمله:

• تحلیل و استدلال مبتنی بر تصویر

• عامل تعاملی برای کار با رابط‌های کاربری (Computer-Use Agent)

• برنامه‌نویسی چندوجهی (Multimodal Programming)

• شناسایی اشیاء و صحنه‌ها (Omni Recognition)

• استخراج داده از اسناد و OCR پیشرفته

• تعیین دقیق موقعیت و ویژگی‌های اشیاء در تصویر

• تحلیل اسناد طولانی و استدلال فضایی

• عامل موبایل و تحلیل ویدیو

🔗 لینک‌ها:

🟠 گیت‌هاب:
https://github.com/QwenLM/Qwen3-VL/tree/main/cookbooks

🟠 مستندات API
https://alibabacloud.com/help/en/model-studio/user-guide/vision/

🟠 نسخه آنلاین:
https://chat.qwen.ai/?models=qwen3-vl-plus

🟠 پروژه
https://github.com/QwenLM/Qwen3-VL

#Qwen #Qwen3VL #AI #VisionLanguage #Multimodal #LLM

@asrgooyeshpardaz

📄 مدل PaddleOCR-VL (0.9B) — مدل چندوجهی سبک و قدرتمند از Baidu AI

تیم Baidu AI از مدل جدید خود با نام PaddleOCR-VL (نسخه 0.9B) رونمایی کرده است — مدلی بسیار فشرده در دسته‌ی Vision-Language Models (VLM) که به‌رغم اندازه‌ی کوچک، در چندین وظیفه‌ی بینایی-زبانی به دقت در سطح SOTA (state-of-the-art) دست یافته است:

🔹 شناسایی و درک متون
🔹 استخراج داده از جداول
🔹 تشخیص فرمول‌های ریاضی
🔹 تحلیل و تفسیر نمودارها و گراف‌ها

💡 زیرساخت فنی:

🧠 بخش NaViT — انکودر دیداری پویا برای پردازش تصاویر با ابعاد متغیر

💬 بخش ERNIE-Lite — نسخه‌ی سبک‌شده از مدل زبانی Baidu با توانایی درک متنی پیشرفته

⚡️ پشتیبانی از ۱۰۹ زبان زنده دنیا — از جمله انگلیسی، چینی، عربی، فارسی و دیگر زبان‌ها

🔗 منابع رسمی:
🟠 GitHub:
https://github.com/PaddlePaddle/PaddleOCR

🟠 HuggingFace:
https://huggingface.co/PaddlePaddle/PaddleOCR-VL

🟠 مستندات:
https://paddleocr.ai/latest/en/index.html

#BaiduAI #PaddlePaddle #Ernie #PaddleOCR #VisionLanguage #AI #OCR

@asrgooyeshpardaz