搜索：多模态长文档视觉问答

「多模态长文档视觉问答」共找到 1659 篇相关文章

苹果传统强项再发力，视觉领域三种模态终于统一

苹果在大模型领域常受挫，但计算机视觉研究是其强项。其研究团队提出 ATOKEN，这是首个能在主要视觉模态统一处理的分词器，兼顾重建质量与语义理解，成果朝通用视觉表征迈进一步。

文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。

Doc-V*由小米和华中科技大学团队提出，是多页文档理解新范式，通过交互式视觉推理让模型有策略地读长文档。它在多页文档问答基准上比RAG变体提升49.7%，不依赖大模型或长上下文窗口。

多图像、长视频让大型视觉语言模型推理成本暴涨，成算力瓶颈。腾讯AI Lab联合CMU提出VScan，通过两阶段视觉token筛选机制，在几乎不损性能的前提下实现推理加速，且已在GitHub开源。

DeepSeek研究员陈小康、陈德里确认其V4视觉模式开始灰度测试。更新后出现识图模式，具备真实图像理解能力。陈小康是多模态研究组负责人，陈德里负责语言模型等核心方向，V4可谓满血归来。

介绍开源工具DeepWiki-Open，它由AsyncFuncAI开发，能将GitHub或GitLab仓库一键转为交互式Wiki，基于多种技术实现代码分析和自动化文档生成，解决开发者理解复杂代码库的痛点，还给出快速上手步骤和适用人群等。

多模态AI发展进入新阶段，字节跳动开源通用多模态大模型BAGEL。它支持多模态输入输出与思维链推理，性能超Qwen2.5 - VL等，安装使用友好，有多种应用场景。

Meta开源DepthLM，首证视觉语言模型不改架构，也能媲美纯视觉模型的3D理解能力。它通过视觉提示等策略，解锁VLM多任务处理潜力，为自动驾驶等领域带来前景。

General-Level团队提出全新评测框架General-Level和数据集General-Bench，构建超大规模评测基准和多模态通才模型排行榜。其用五级段位体系衡量模型通才能力，General-Bench覆盖多模态任务，排行榜分多层次榜单，目前各模型段位差异大，Level-5空缺。

文章围绕多模态推荐展开，从传统推荐算法演进到多模态表征技术，结合饿了么场景实践，还探索生成式推荐。介绍多模态推荐挑战与代表性工作，梳理表征技术发展，详述饿了么系统设计与训练，分析生成式推荐方案及业界路线。