「多模态文档解析」共找到 1374 篇相关文章
港中文联手美团开源“视觉推理通才”！图像视频10类任务一网打尽
香港中文大学MMLab与美团研究团队开源OneThinker模型，它可覆盖图像与视频十类核心视觉任务，在31项测试中表现出色，还展现泛化能力。研究团队搭建数据集，并引入EMA - GRPO算法提升训练稳定性。
这款拿下 10k+ Star 的开源 LLM DevOps 平台，如何帮企业“批量孵化”AI 应用？——BISHENG 深度上手
BISHENG 是面向企业级场景的开源 LLM 应用 DevOps 平台，支持 GenAI 工作流等完整能力，已在众多头部组织落地。它围绕企业痛点搭建，有灵思 Agent、可视化工作流编排等亮点，适用于多场景。
Gemini 3 上线两周，ChatGPT 日活下降 6%，Altman 内部信拉响红色警报
2025年12月初，AI领域权力转换，Google新一代多模态模型Gemini 3挑战ChatGPT。自其发布两周，OpenAI日活降6%。Sam Altman发内部信拉响警报，要求聚焦提升ChatGPT核心体验。
把 Nano Banana/Gemini 3 Pro 榨干！这几点你必须知道
Gemini 3 放出 Pro 和 Nano Banana Pro 两条线，前者主打长上下文、多模态推理，后者专攻像素级生成。文章提炼精髓，给出“通用 + 像素”双模实战笔记，介绍两者使用要点及创意场景实测。
Midscene.js 实战与源码剖析：如何重塑 UI 自动化
本文介绍Midscene.js这款基于AI的下一代UI自动化工具，剖析其设计动机、架构、原理及源码，结合业务场景分享问题与思考，还对比类似工具，给出试用配置和使用建议。
轻量高效，即插即用：Video-RAG为长视频理解带来新范式
现有视觉语言模型处理长视频面临诸多难题，厦门大学等联合提出轻量高效、无需微调的 Video-RAG 框架，采用多模态辅助文本检索增强生成，解决长视频理解问题，适用于多场景。
国产手机正从底层重构安卓！vivo版AI OS亮相了
在vivo开发者大会上，OriginOS 6正式亮相，AI功能全面更新，还首次上线Live Photo的AI消除。它用自研技术重构安卓底层核心，首发蓝河流畅引擎，从计算、显示、存储三大模块优化。
ACL 2025预定爆款！HyperGraphRAG横扫5大领域，检索效率提升7倍
文章介绍HyperGraphRAG模型，它由知识超图构建、超图检索策略、超图引导的生成机制三部分组成。构建含知识超图构建、超图检索、生成机制等步骤，能提升检索效率与答案质量，或成ACL 2025爆款。
NIPS2025 | A-Mem让Agent拥有动态自我记忆功能，达到新SoTA
近年来，LLM代理需长期内存系统，但现有系统缺乏灵活性。论文提出A - Mem能动内存系统，受Zettelkasten启发，能让记忆‘自我整理’和‘自我更新’，在多基准测试领先，也指出了局限性和未来方向。
一篇200+文献的视觉强化学习技术最新综述
NUS、浙江大学和香港中文大学对强化学习与视觉智能交叉领域进行系统梳理，归纳200余篇工作为四大主题支柱，剖析算法等进展，提炼关键趋势，还介绍LLM的RL方法、视觉RL阵地等。