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

一个模型统一4D世界生成与重建，港科大One4D框架来了

港科大研究团队提出 One4D 框架，可统一 4D 生成与重建，构造同步输出多模态的视频扩散模型，支持多种任务形态。其有 DLC、UMC 等亮点，用合成与真实数据混合策略训练，实验表现佳。

文章指出AI编码采纳率低，原因在于信息不对称、任务粒度过大等。提出通过规范化文档体系和Issue管理规范解决前两个问题，还介绍了未来扩展方向及多种开发实践技巧，最后分享项目实战效果。

随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。

OpenAI发布GPT-5.4及满血版GPT-5.4 Pro，主打专业生产力。它具备原生电脑操作能力，视觉感知、职场任务表现提升，幻觉问题被压制，代码能力强，工具调用机制优化，已在ChatGPT等全量上线，API定价上调。

Meta 人工智能研究院的 DINOv3 是基于自监督学习的视觉大模型，解决诸多问题且无需微调，在多任务表现出色。将其引入 YOLO12 后，在不同规模数据集上检测性能显著提升，还分享训练自定义数据集代码。

作者实测 Moxt 后发现，它能解决 AI 产品上下文散且脏的问题，提供工作空间，让 AI 在原生格式工作；用户可创建专属 AI，还能精简 Context。此外，它支持技能组合、定时任务等，输出拓展到视觉形态。

4月17日上线的Claude Design让Figma股价当天跌近7%。前有Anthropic CPO辞掉Figma董事职务，后新产品登场，一气呵成。Claude Design让非设计师出视觉稿，Anthropic意在打造从想法到上线产品的闭环，或让“中介型SaaS”失势。

来自快手可灵团队和香港城市大学的研究者提出「视频作为答案」任务范式，发布VANS模型。它由视觉语言和视频扩散模型构成，通过联合分组相对策略优化算法协同优化，在教学和预测应用上效果超现有模型。

本文深入解读“世界模型”，虽无明确定义，但从目的出发分为表征和生成两类。前者含生物大脑、视觉和语言中心预测；后者有基于规则模拟和数据驱动生成。还探讨LLM是否为世界模型，指出各类模型相辅相成。

Meta等团队发布DINOv3权重和训练代码，参数规模扩6倍，用更多数据并引入新损失函数。它在图像分割和深度估计表现卓越，解决了自监督训练的视觉transformer的问题，提升全局和局部任务表现。