算法论文8

MonkeyOCRv2：重建即文档视觉记忆

机器之心2026-07-26

AI 摘要

MonkeyOCRv2团队：文档视觉编码器很关键，提出‘重建即文档视觉记忆’，经多组实验验证其能提升性能；还发布MonkeyDoc v2数据集，推动公平研究。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

MonkeyOCRv2：0.7B参数反超3B称霸文档OCR

文档OCR正迈入小模型时代，MonkeyOCRv2以0.7B、0.6B参数在MDPBench上超越3B模型。它重新分配系统职责，采用互补预训练目标，还开源训练数据，且迁移到多任务表现良好。

本文是对 Memories AI 创始人 Shawn 的访谈。他指出当下 AI 记忆多为“上下文工程”，其团队致力于打造视觉记忆层 LVMM。还探讨了视觉与文本记忆区别、LVMM 架构及应用场景等，认为视觉记忆将成下一代 AI 核心。

视频扩散模型生成新视角视频时，现有方法缺显式3D结构。智象未来提出DreamWorld，用3D先验与两阶段框架，结合结构和生成能力，在多基准测试表现领先。

视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。