文本/LaTeX/HTML表格一步搞定！OvisOCR2实现端到端文档智能解析；三元量化重塑大模型部署：Ternary Bonsai 27B实现9.4倍压缩

OvisOCR2 由 ATH-MaaS、阿里等团队于 2026 年 7 月推出，是一款参数仅 0.8B（约1.7GB）的紧凑型端到端文档解析模型。该模型基于 Qwen3.5-0.8B 构建，能将文档图像直接转化为保留自然阅读顺序的结构化 Markdown 格式，并精准解析文本、公式、表格及可视区域。凭借创新的混合数据引擎与多阶段（SFT、RL和OPD）训练方案，OvisOCR2 在 OmniDocBench v1.6 评测中斩获 96.58 分，成为首个性能超越传统流水线方法的端到端模型，完美实现了极低部署成本与卓越性能的统一。

目前，HyperAI超神经官网已上线了「OvisOCR2：0.8B 端到端文档解析模型」，快来试试吧~

在线使用：https://go.hyper.ai/1qOnc

7 月 18 日- 7 月 24 日，hyper.ai 官网更新速览：

* 优质教程精选：9 个

* 热门百科词条：5 条

* 8 月截稿顶会：6 个

访问官网：hyper.ai

1. OvisOCR2：0.8B 端到端文档解析模型

OvisOCR2 模型由 ATH-MaaS 团队于 2026 年 7 月发布，是一个紧凑的 0.8B 端到端文档解析模型。该模型通过对 Qwen3.5-0.8B 进行后训练构建，采用精心设计的数据引擎（结合真实数据与合成数据）以及集成 SFT、RL 和 OPD 的多阶段训练策略。

在线运行：https://go.hyper.ai/1qOnc

Demo 页面

2. RoBERTa Tweet 情感文本抽取

RoBERTa 模型是由 Facebook AI 团队于 2019 年 7 月发布，其核心创新与特点为在 BERT 基础上引入动态掩码策略、更大批次训练和更多训练数据，显著提升了 NLP 基准测试性能。

在线运行：https://go.hyper.ai/8iZIz

3. handson-ml2 机器学习实战教程

这是一个完整的机器学习实战教程集合，包含从机器学习基础到深度学习的全面内容。本教程基于 Aurélien Géron 的经典著作《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》（第 2 版）。 

在线运行：https://go.hyper.ai/jEyUh

4. Keras 深度学习基础教程 — 乳腺癌分类

本教程源自 Kaggle 上 Paras Jindal 于 2026 年 7 月 发布的入门级深度学习项目，使用 Keras Sequential API 构建神经网络模型，对乳腺癌细胞特征数据进行良恶性二分类。

在线运行：https://go.hyper.ai/s1X9X

模型汇总对比

5. Recommendation Engine 共购推荐引擎

共购推荐引擎是一个基于 Chris Deotte 的 Kaggle Notebook Recommend Items Purchased Together 的推荐系统，该 Notebook 于 2022 年 2 月发布。其核心创新在于通过分析历史交易数据构建共购矩阵，从而推荐经常一起购买的商品，融合了三种策略：历史购买频率、共购模式和热门商品兜底。该算法在 H&M 个性化时尚推荐竞赛中取得了 MAP@12 = 0.021 的成绩。

在线运行：https://go.hyper.ai/fiegd

6. Titanic 数据科学解决方案：从零入门机器学习

Titanic - Machine Learning from Disaster 是 Kaggle 平台上最经典的入门竞赛之一。任务目标是根据乘客的个人信息（舱位等级、性别、年龄、家庭规模等），预测其在泰坦尼克号沉船事故中是否幸存。

在线运行：https://go.hyper.ai/gGUJO

数据分析

7. 灾难推文分类：使用 BERT 进行 NLP 文本分类

本教程基于 Kaggle 上 xhlulu 的经典 Notebook，使用 BERT 进行灾难推文二分类。本教程通过一个完整的 NLP 实战项目，带你从零搭建 BERT 文本分类 pipeline：数据加载 → Tokenization 编码 → 模型构建 → 训练微调 → 推理预测。你将学会如何将预训练 BERT 应用于自定义二分类任务，并理解 [CLS] token、sigmoid 输出层等关键设计选择背后的原理。

在线运行：https://go.hyper.ai/ENFgs

8. Ternary-Bonsai-27B：7.2GB 三值量化推理 27B

Ternary Bonsai 27B 是由 Prism ML 团队于 2026 年 7 月开发的推理型大语言模型，基于 Qwen3.6-27B 进行端到端三值化量化。模型采用混合注意力机制（~75% 线性注意力 / ~25% 全注意力），支持 262K 超长上下文，在 100K token 上下文下仅需 ~14.7 GB 峰值内存。提供 DSpark 投机解码加速层，可实现 1.34x 无损解码加速。

在线运行：https://go.hyper.ai/OfSLw

Demo 页面

9. Lyft Motion Prediction：基于 ResNeXt50 FPN 的自动驾驶车辆运动轨迹预测

Lyft Motion Prediction 是 Lyft 在 2020 年举办的 Kaggle 竞赛，任务是根据自动驾驶场景中的上下文信息，预测智能体（车辆、行人等）未来 5 秒的运动轨迹（50 个时间步，10Hz）。

在线运行：https://go.hyper.ai/vJYkN

Demo 页面

1. 技能 Skills

2. 世界动作模型 WAM

3. 缩放定理 Scaling Law

4. 每秒帧数 Frames Per Second

5. 自动语音识别 Automatic Speech Recognition

这里汇编了数百条 AI 相关词条，让你在这里读懂「人工智能」：

https://go.hyper.ai/wiki

* 截稿时间为 AoE 时间

一站式追踪人工智能学术顶会：https://go.hyper.ai/event

以上就是本周编辑精选的全部内容，如果你有想要收录 hyper.ai 官方网站的资源，也欢迎留言或投稿告诉我们哦！

下周再见！